如何实现TensorFlow Keras模型输出形状与输入形状一致

需要搭建TensorFlow Keras序列模型，满足以下要求：

• 输入单样本形状为[8, 1]（8个时间步，1个特征），训练batch size为16
• 输出形状与输入形状对齐，即整体输出形状为(16, 8, 1)
• 约束条件：仅预测单个特征，最后一个Dense层只能设置1个单元
  当前搭建的模型仅能得到形状为(16, 1, 1)的输出，不符合预期。

当前问题代码与模型结构 #

model = tf.keras.models.Sequential([
    tf.keras.layers.Conv1D(filters = 512,
                           batch_size = 16,
                           input_shape = [8, 1],
                           kernel_size = 3,
                           strides = 1,
                           activation = 'relu'),
    tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(128)),
    tf.keras.layers.Dense(30),
    tf.keras.layers.Dense(15),
    tf.keras.layers.Dense(1),
    tf.keras.layers.Reshape([1, -1])
])

模型各层输出形状统计：

Model: "sequential_26"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 conv1d_26 (Conv1D)          (16, 6, 512)              2048      
                                                                 
 bidirectional_26 (Bidirecti  (16, 256)                656384    
 onal)                                                           
                                                                 
 dense_69 (Dense)            (16, 30)                  7710      
                                                                 
 dense_70 (Dense)            (16, 15)                  465       
                                                                 
 dense_71 (Dense)            (16, 1)                   16        
                                                                 
 reshape_23 (Reshape)        (16, 1, 1)                0         
                                                                 
=================================================================
Total params: 666,623
Trainable params: 666,623
Non-trainable params: 0
_________________________________________________________________

当前模型无法输出目标形状的核心原因有三点：

• Conv1D层默认使用padding='valid'，在kernel_size=3、步长为1的配置下，长度为8的时间维度会被压缩为6，直接丢失2个时间步
• Bidirectional LSTM层默认未开启return_sequences参数，会将所有时间步的特征压缩为单个全局向量，完全丢失时间步维度，后续全连接层只能基于全局特征输出单个值，无法生成8个时间步的预测结果
• 末尾Reshape层硬编码输出时间步长度为1，无法匹配8个时间步的目标维度

仅需三处调整即可满足需求，且不改变最后Dense层为1个单元的约束：

1. 为Conv1D层添加padding='same'参数，卷积运算时自动在序列边界补零，保证卷积前后时间步长度不变
2. 为Bidirectional LSTM层添加return_sequences=True参数，让LSTM输出每个时间步的特征，而非全局压缩的单向量，保留完整时间步维度
3. 将末尾Reshape层的目标形状调整为[8, 1]，显式对齐期望输出维度（实际调整前两个参数后，Dense层输出已经是(16,8,1)，该Reshape层可根据需求保留或删除）

修正后完整代码 #

model = tf.keras.models.Sequential([
    tf.keras.layers.Conv1D(filters = 512,
                           input_shape = [8, 1],
                           kernel_size = 3,
                           strides = 1,
                           padding = 'same',
                           activation = 'relu'),
    tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(128, return_sequences=True)),
    tf.keras.layers.Dense(30),
    tf.keras.layers.Dense(15),
    tf.keras.layers.Dense(1),
    tf.keras.layers.Reshape([8, 1])
])

修正后模型会全程保留8个时间步的维度，最后Dense层会对每个时间步的特征单独做映射，每个时间步输出1个预测值，最终输出形状正好为(16, 8, 1)，完全匹配需求。

内容的提问来源于stack exchange，提问作者cooldude3139