Keras LSTM输入形状不兼容报错求助：预期与实际形状不符

问题现象 #

训练LSTM模型时触发如下报错：

ValueError: 层"sequential"的输入0与该层不兼容：预期形状=(None, 923679, 63)，实际形状=(None, 63)

核心错误原因 #

代码里对LSTM的输入维度逻辑完全搞反了：

• 你把X_train.shape[0]（训练集的样本总数）赋值给了n_steps，当成了时间步长
• LSTM要求输入是3D张量：(样本数, 时间步长, 特征数)，但你的X_train当前是2D张量：(样本数, 特征数)，模型自然不兼容

具体修正步骤 #

1. 重新定义维度参数 #

先明确你的时序数据逻辑：每个样本包含多少个时间步（n_steps），每个时间步有多少个特征（n_features）。比如你的数据是按10个连续时间步作为一个样本，每个时间步有63个特征：

# 替换成你实际的时间步长，比如10、30等
n_steps = 10
# 如果当前X_train是2D，shape[1]就是单时间步的特征数
n_features = X_train.shape[1]

2. 把2D输入转成3D（关键步骤） #

如果你的X_train现在是2D张量，必须通过reshape转换成LSTM要求的3D结构：

# 将(样本数, 总特征数)转成(样本数, 时间步长, 特征数)
# 注意：总特征数必须等于n_steps * n_features，否则要调整你的时间步长定义
X_train = X_train.reshape(-1, n_steps, n_features)
X_test = X_test.reshape(-1, n_steps, n_features)

3. 修正模型的输入形状 #

模型的input_shape只需要指定**(时间步长, 特征数)**，样本维度由Keras自动处理（用None表示）：

model.add(tf.keras.layers.Masking(mask_value=0.,
                                   input_shape=(n_steps, n_features)))

修正后的完整模型构建示例 #

tf.keras.backend.clear_session()

from tensorflow.keras import initializers

# 先处理输入维度
n_steps = 10  # 替换为你的实际时间步长
n_features = X_train.shape[1]
X_train = X_train.reshape(-1, n_steps, n_features)
X_test = X_test.reshape(-1, n_steps, n_features)

# 创建LSTM模型
model = Sequential()
model.add(tf.keras.layers.Masking(mask_value=0.,
                                   input_shape=(n_steps, n_features))) 
model.add(LSTM(300, return_sequences=True, 
               dropout=0.1, recurrent_dropout=0.1))
model.add(Dense(1,activation='sigmoid'))
model.compile(loss = 'binary_crossentropy', optimizer=keras.optimizers.Adam(lr=0.01),metrics = METRICS)
print(model.summary())

额外注意点 #

• 如果你的数据本身就是时序数据（比如按时间顺序采集的序列），要确保reshape的时候不会打乱时序逻辑，比如不要把不连续的时间步凑成一个样本。
• 若你不需要时间步（比如只是普通的分类任务），那完全没必要用LSTM，换用Dense层即可，避免维度适配的麻烦。

内容的提问来源于stack exchange，提问作者S2037987 STUDENT