LSTM输入维度不兼容问题求助：如何设置input_shape？

报错原因 #

LSTM层要求输入是3维张量，格式为(样本数量, 时间步长, 特征数量)，但你的X_train是2维数组(3715489, 5)，只包含样本数和特征数，缺少时间步长维度，导致维度不匹配报错。

解决方案 #

1. 重塑输入数据 #

需要把X_train从2维转换为3维。假设你的每个样本对应1个时间步（每个时间步包含5个特征），执行以下代码重塑：

import numpy as np
X_train = np.reshape(X_train, (X_train.shape[0], 1, X_train.shape[1]))

重塑后X_train的形状变为(3715489, 1, 5)，符合LSTM的输入要求。

2. 调整LSTM层参数 #

• 修改input_shape：LSTM的input_shape需要指定(时间步长, 特征数)，这里设为(1, 5)（不需要包含样本数维度，框架会自动处理）。
• 修改return_sequences：因为你后续直接连接Dense层，Dense需要2维输入（样本数, 特征数），所以把return_sequences=True改为False（该参数为True时会返回每个时间步的输出，形状为3维，不适合直接接Dense）。

修改后的完整代码：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense

model = Sequential()
model.add(LSTM(256, return_sequences=False, input_shape=(1, 5)))
model.add(Dense(8, activation='sigmoid'))
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

print(model.summary())
model.fit(X_train, y_train, epochs=100, batch_size=320)

补充说明 #

如果你的像素移动数据是序列型数据（比如每个样本包含多个连续时间步的特征），需要重新划分时间序列。例如，若每10个连续样本组成一个时间序列，可按如下方式重塑：

# 假设时间步长为10
time_steps = 10
X_train = np.reshape(X_train, (X_train.shape[0] // time_steps, time_steps, X_train.shape[1]))
# 同时y_train也需要对应调整，确保每个时间序列对应一个标签
y_train = y_train[::time_steps]

内容的提问来源于stack exchange，提问作者mukam