CNN-LSTM二元分类器输入形状不兼容问题求助

错误原因 #

你在CNN层后使用了Flatten()，将原本3维的CNN输出张量（形状为(None, timesteps, features)）压缩成了2维（(None, 512)），但LSTM层要求输入必须是3维的(batch_size, timesteps, features)结构，因此触发维度不兼容的报错。

解决方案 #

方案1：移除Flatten层，直接衔接LSTM

CNN1D的输出天然是3维结构，完全符合LSTM的输入要求，无需扁平化处理。修改后的模型代码如下：

model = Sequential()
model.add(Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(X_train.shape[1], X_train.shape[2])))
model.add(Conv1D(filters=64, kernel_size=3, activation='relu'))
model.add(Dropout(0.5))
model.add(MaxPooling1D(pool_size=2))
# 移除Flatten层，直接将CNN输出喂给LSTM
model.add(LSTM(100))
model.add(Dropout(0.5))
model.add(Dense(100, activation='relu'))
model.add(Dense(2, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

这种方式能保留CNN提取的时序特征，让LSTM继续学习序列依赖关系，更适合时序分类任务。

方案2：通过Reshape层将2维张量转为3维

如果必须使用Flatten层（比如需要将CNN提取的全局特征重新组织为序列），可以用Reshape()将扁平化后的2维张量转回3维，只要满足timesteps × features = Flatten后的总特征数即可。示例代码：

model = Sequential()
model.add(Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(X_train.shape[1], X_train.shape[2])))
model.add(Conv1D(filters=64, kernel_size=3, activation='relu'))
model.add(Dropout(0.5))
model.add(MaxPooling1D(pool_size=2))
model.add(Flatten())
# 将2维张量reshape为3维，示例中32×16=512，匹配Flatten后的特征数
model.add(Reshape((32, 16)))
model.add(LSTM(100))
model.add(Dropout(0.5))
model.add(Dense(100, activation='relu'))
model.add(Dense(2, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

注意：Reshape的维度可以根据任务需求调整，只要总元素数和Flatten后的一致即可。

内容的提问来源于stack exchange，提问作者msskx