LSTM模型拟合报错：输入维度不兼容问题求助

错误的核心是LSTM层要求输入为3维张量，格式为(样本数, 时间步长度, 特征数)，但你的x_train是2维的(2134,8)，缺少了时间步/特征维度，导致输入不匹配。

另外你的模型还存在一个隐藏问题：最后一层Dense(32)的输出维度和y_train的5维分类标签不匹配，即使解决输入问题后，后续拟合也会报错。

1. 调整输入数据形状 #

根据你的业务逻辑选择以下一种方式重塑输入：

• 情况1：将每个特征视为一个时间步，每个时间步仅1个特征

  # 重塑x_train为(样本数, 时间步=8, 特征数=1)
  x_train = x_train.reshape((x_train.shape[0], x_train.shape[1], 1))
  

  此时调用模型时要对应修改参数：

  model_mlp = get_lstm_model(8, 1)  # shape_input=8（时间步），num_output=1（特征数）
  

• 情况2：将8个特征作为单个时间步的输入

  # 重塑x_train为(样本数, 时间步=1, 特征数=8)
  x_train = x_train.reshape((x_train.shape[0], 1, x_train.shape[1]))
  

  对应调用模型：

  model_mlp = get_lstm_model(1, 8)  # shape_input=1（时间步），num_output=8（特征数）
  

2. 修正模型输出层 #

因为你使用categorical_crossentropy损失，且y_train是5维分类标签，模型最后需要添加一个输出维度为5的全连接层，激活函数用softmax：
修改后的模型定义：

def get_lstm_model(shape_input, num_output):
    model = Sequential([
        layers.Input((shape_input, num_output)),
        layers.LSTM(64),
        layers.Dense(32, activation='relu'),
        layers.Dense(5, activation='softmax')  # 新增：匹配y_train的5维分类
    ])
    model.compile(optimizer='adam',
                  loss='categorical_crossentropy',
                  metrics=['accuracy'])
    return model

3. 完整拟合流程示例（以情况1为例） #

# 重塑输入
x_train = x_train.reshape((2134, 8, 1))
# 初始化模型
model_mlp = get_lstm_model(8, 1)
# 查看模型结构确认输入输出
model_mlp.summary()
# 拟合模型
model_history = model_mlp.fit(x_train, y_train, validation_split=0.2,
                              epochs=500, batch_size=5000)

内容的提问来源于stack exchange，提问作者Rauf Anwar