Keras序列模型训练报错：数据基数不明确，求解决方案

核心错误原因 #

你遇到的ValueError本质是输入样本数与输出样本数不匹配：Keras的model.fit(x, y)要求x和y的第一维度（样本数）必须完全一致，每个输入样本必须对应一个输出样本。

你的代码中错误地将特征维度的数量当作了样本数量：

• feature_sample.shape = (14768,1)：这是第一个个体的14768个输入特征，而非14768个样本
• train_sample.shape = (5997,1)：这是第一个个体的5997个输出特征，而非5997个样本

根据你的注释，149列代表149个个体（样本），14768和5997是对应每个样本的输入/输出特征数。因此正确的样本数是149，输入特征数14768，输出特征数5997。

解决步骤 #

1. 修正数据维度 #

将输入和输出数据转置，把特征维度和样本维度调换：

# 原feature_train形状(14768,149)，转置后为(149,14768)：149个样本，每个样本14768个输入特征
feature_sample = feature_train.T
# 原train形状(5997,149)，转置后为(149,5997)：149个样本，每个样本5997个输出特征
train_sample = train.T

2. 调整模型输入输出维度 #

根据修正后的数据维度，修改模型的输入层和输出层参数：

Nodes = [250, 250]
model = Sequential()
# 输入维度设为输入特征数14768
model.add(Dense(units=Nodes[0], activation='elu', input_dim=feature_sample.shape[1]))

if len(Nodes) > 1:
    for i in range(len(Nodes) - 1):
        model.add(Dense(units=Nodes[i + 1], activation='elu'))

# 输出层units设为输出特征数5997
model.add(Dense(units=train_sample.shape[1], activation='elu'))

# 编译和训练代码保持不变
adam = keras.optimizers.Adam(learning_rate=0.001, beta_1=0.9, beta_2=0.999, epsilon=None, decay=0.01)
model.compile(loss=losses.mean_squared_error,
              optimizer=adam,
              metrics=['accuracy'])

for i in range(5):  
    seqModel = model.fit(feature_sample, train_sample, epochs=100, batch_size=50, validation_split=0.1, verbose=0)

3. 验证效果 #

修正后，feature_sample和train_sample的样本数都是149，使用validation_split=0.1时，训练集样本数为134，验证集为15，数据基数完全匹配，不会再出现报错。

特殊情况处理（序列到序列任务） #

如果你实际需求是处理序列到序列映射（比如输入长度14768的序列，输出长度5997的序列），则需要改用循环神经网络或Transformer的编码器-解码器结构，示例代码如下：

from keras.models import Model
from keras.layers import Input, LSTM, Dense
from keras.optimizers import Adam

# 输入序列长度14768，单特征
encoder_inputs = Input(shape=(14768, 1))
encoder = LSTM(250, return_state=True)
encoder_outputs, state_h, state_c = encoder(encoder_inputs)
encoder_states = [state_h, state_c]

# 解码器输入序列长度5997，单特征
decoder_inputs = Input(shape=(5997, 1))
decoder_lstm = LSTM(250, return_sequences=True, return_state=True)
decoder_outputs, _, _ = decoder_lstm(decoder_inputs, initial_state=encoder_states)
decoder_dense = Dense(1, activation='elu')
decoder_outputs = decoder_dense(decoder_outputs)

# 构建模型
model = Model([encoder_inputs, decoder_inputs], decoder_outputs)
model.compile(optimizer=Adam(learning_rate=0.001), loss='mean_squared_error')

# 训练时需确保输入输出的样本数一致，比如N个样本，每个样本对应输入序列和输出序列
# model.fit([encoder_input_data, decoder_input_data], decoder_target_data, ...)

内容的提问来源于stack exchange，提问作者David Oates