向Keras RNN/LSTM层传入2D时序张量报错的解决方法

第一个报错：输入形状不匹配 #

RNN/LSTM层对输入形状有明确要求，必须是3维张量，维度顺序为(批次大小, 时间步数, 单时间步特征数)。
你直接传入未做批次处理的tf.data.Dataset时，数据集每次迭代返回单组样本，其中输入x形状为(36,24)，Keras会默认将第一维（原本的时间步维度36）识别为批次维度，第二维24识别为特征维度，最终传入模型的输入是2维的(None,24)，和RNN层要求的3维输入(None,36,24)冲突，触发报错。

修复方法 #

对训练数据集调用.batch()方法指定批次大小，将数据集输出调整为批量格式：

# 批次大小可根据显存调整，常用值为16/32/64
ds_train = ds_train.batch(32)

处理后数据集每次返回的x形状为(batch_size, 36, 24)，y形状为(batch_size, 8)，完全符合RNN层输入要求。

第二个报错：MAE损失计算形状不匹配 #

加batch后出现的广播形状错误，通常由两个常见问题导致：

• 标签y存在多余维度或维度错乱
• 标签与模型输出的数据类型不匹配

排查与修复步骤 #

1. 先验证batch处理后的张量形状是否正确：

for x_batch, y_batch in ds_train.take(1):
    print(x_batch.shape)  # 正确输出应为 (batch_size, 36, 24)
    print(y_batch.shape)  # 正确输出应为 (batch_size, 8)

如果y_batch形状不符合要求（比如出现(batch_size,8,1)这类多了长度为1的维度的情况），需要对y做维度压缩处理，同时把标签转成float32类型避免类型冲突：

def preprocess(x, y):
    # 去掉长度为1的多余维度
    y = tf.squeeze(y)
    # 标签转float32匹配模型输出类型
    y = tf.cast(y, tf.float32)
    return x, y

ds_train = ds_train.map(preprocess).batch(32)

2. 如果形状校验完全正确仍报错，检查数据集构建逻辑：如果加载全量数据时误用了tf.data.Dataset.from_tensors而非from_tensor_slices，会导致数据集无法正确切分单个样本，即使加了batch也会出现维度错乱，替换为from_tensor_slices即可。

额外优化建议 #

从标签格式（8维one-hot向量，仅一位为1）判断你在做8分类任务，MAE是回归任务损失，不适合分类场景，建议替换为分类专用损失提升训练效果：

• 保留one-hot标签格式时，损失用tf.keras.losses.CategoricalCrossentropy(from_logits=True)
• 将标签转为0-7的类别标量（形状从(8,)变为单个整数）时，损失用tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
  两种方式都不需要给最后一层Dense加softmax激活，训练收敛速度和准确率都会优于用MAE。

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