如何调整LSTM预测模型以得到(None,1,2)的正确输出形状？

问题概述 #

我正在用LSTM模型预测未来的身高和体重，数据集处理后：

• 训练输入xtrain的形状为 (82, 4, 2)（82个样本，每个样本包含4个时间步的身高、体重数据）
• 训练标签ytrain的形状为 (82, 1, 2)（每个样本对应1个时间步的未来身高、体重预测目标）

但当前模型的输出形状是 (None, 4, 2)，和目标的 (None, 1, 2) 不匹配，现有模型代码如下：

model=Sequential()

model.add(LSTM(units=50,return_sequences=True,kernel_initializer='glorot_uniform',input_shape=(xtrain.shape[1],2)))

model.add(LSTM(units=50,kernel_initializer='glorot_uniform',return_sequences=True))

model.add(Dropout(0.2))

model.add(Dense(units=2))

model.compile(optimizer='adam',loss='mean_squared_error')

model.fit(xtrain,ytrain,batch_size=4,epochs=1)

解决方法 #

核心问题在于第二层LSTM保留了全序列输出，导致后续Dense层生成了4个时间步的结果。要得到单时间步的输出，只需调整LSTM的return_sequences参数，并可选添加Reshape层严格匹配标签形状：

修改后的完整代码 #

from keras.models import Sequential
from keras.layers import LSTM, Dropout, Dense, Reshape

model=Sequential()

# 第一层LSTM保持return_sequences=True，给下一层LSTM提供序列输入
model.add(LSTM(units=50, return_sequences=True, kernel_initializer='glorot_uniform', input_shape=(xtrain.shape[1],2)))

# 第二层LSTM设置return_sequences=False，只输出最后一个时间步的特征
model.add(LSTM(units=50, kernel_initializer='glorot_uniform', return_sequences=False))

model.add(Dropout(0.2))

# 映射到2个特征（身高、体重），此时输出形状为(None, 2)
model.add(Dense(units=2))

# 可选：添加Reshape层，将输出转为(None, 1, 2)，和ytrain形状完全对齐
model.add(Reshape((1, 2)))

model.compile(optimizer='adam', loss='mean_squared_error')
model.fit(xtrain, ytrain, batch_size=4, epochs=1)

关键修改说明 #

1. 修改第二层LSTM的return_sequences参数：
   原代码中第二层LSTM的return_sequences=True会输出所有4个时间步的特征（形状(None,4,50)），Dense层会对每个时间步单独计算，最终得到(None,4,2)的输出。改为False后，LSTM只输出最后一个时间步的特征（形状(None,50)），后续Dense层生成单组预测值。
2. 可选Reshape层：
   Dense层输出的(None,2)可以直接和ytrain的(82,1,2)计算损失（Keras会自动处理维度广播），如果需要严格保证输出形状和标签一致，添加Reshape((1,2))层即可，该层无训练参数，不影响模型性能。

修改后的模型结构示例 #

调整后模型的输出形状将变为(None,1,2)，参数总数和原模型一致：

Model: "sequential"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 lstm (LSTM)                 (None, 4, 50)             10600     
                                                                 
 lstm_1 (LSTM)               (None, 50)                20200     
                                                                 
 dropout (Dropout)           (None, 50)                0         
                                                                 
 dense (Dense)               (None, 2)                 102       
                                                                 
 reshape (Reshape)           (None, 1, 2)              0         
                                                                 
=================================================================
Total params: 30,902
Trainable params: 30,902
Non-trainable params: 0
_________________________________________________________________

内容的提问来源于stack exchange，提问作者이인규