TensorFlow Conv1D层报错：期望3维输入实际为2维如何解决

调试时间序列预测代码时触发报错：
ValueError: Input 0 of layer conv1d is incompatible with the layer: : expected min_ndim=3, found ndim=2
已知训练数据X_train形状为(100,5,1)，y_train形状为(100,)，符合时序卷积的常规数据格式，但始终无法定位报错点。
核心出错代码片段：

monk= tf.keras.models.Sequential()
monk.add(tf.keras.layers.Flatten())
monk.add(tf.keras.layers.Conv1D(64,2,input_shape=(X_train.shape[1],X_train.shape[2])))
monk.add(tf.keras.layers.MaxPool1D())
monk.add(tf.keras.layers.Activation('relu'))
monk.add(tf.keras.layers.Dense(32))
monk.add(tf.keras.layers.Dense(1,'sigmoid'))
monk.compile('adam','binary_crossentropy',['accuracy'])
monk.fit(X_train,y_train,epochs=10)

层顺序完全写反，且input_shape参数放置位置错误：

1. Conv1D要求输入必须是3维张量（维度顺序为样本数, 时间步, 特征数），原始训练数据X_train形状为(100,5,1)，本身是符合输入要求的。但模型最开头加了Flatten()层，输入数据刚进模型就被压成了2维张量（形状变为(100, 5*1) = (100,5)），再传入后面的Conv1D时自然不满足最低3维的要求，直接触发报错。
2. Sequential模型的input_shape参数必须定义在网络第一层，代码中把参数写在第二层的Conv1D上，第一层的Flatten没有明确的输入形状定义，也会加剧维度传递的混乱。

遇到Keras层维度不兼容报错时，按以下顺序排查即可快速定位问题：

• 顺着模型的层顺序逐层计算张量输出形状：Sequential模型是按顺序逐层传递张量的，不要只验证原始训练数据的维度，要确认每一层的输出维度是否匹配下一层的输入要求
• 牢记常用层的输入维度要求：Conv1D/LSTM/GRU等时序层必须接收3维输入，Dense/Flatten输出为2维张量
• 检查input_shape位置：该参数必须配置在模型的第一层，不需要在后续层重复定义

调整层顺序，把卷积、池化这类时序特征提取层放在最前面接收3维原始输入，等特征提取完成后再加Flatten把特征压成2维，传给后续的全连接层做分类。修正后的模型代码如下：

monk= tf.keras.models.Sequential()
# 第一层放Conv1D，input_shape配置在第一层，直接接收3维时序输入
monk.add(tf.keras.layers.Conv1D(64,2,input_shape=(X_train.shape[1],X_train.shape[2])))
monk.add(tf.keras.layers.MaxPool1D())
monk.add(tf.keras.layers.Activation('relu'))
# 卷积池化操作完成后，再加Flatten压平特征
monk.add(tf.keras.layers.Flatten())
monk.add(tf.keras.layers.Dense(32))
monk.add(tf.keras.layers.Activation('relu'))
monk.add(tf.keras.layers.Dense(1,'sigmoid'))
monk.compile('adam','binary_crossentropy',['accuracy'])
monk.fit(X_train,y_train,epochs=10)

注：原代码中导入的torch.are_deterministic_algorithms_enabled、time模块未被使用，不会触发报错但可以清理删除。

内容的提问来源于stack exchange，提问作者Ulto 4