Keras搭建LSTM模型触发输入维度不兼容报错如何排查解决

Keras中LSTM层要求输入为3维张量，维度顺序为(批量大小, 时间步长, 单时间步特征数)，你在首层定义LSTM时传入的input_shape=(2,1)，明确要求单样本输入形状为2个时间步、每个时间步1个特征，即输入整体应为3维。
但你当前传入的trainx形状为(3885, 2)，是2维张量，仅包含(样本数, 特征数)两个维度，缺少时间步对应的维度，因此触发维度不匹配报错。
另外你代码中使用了Flatten层但未在导入语句中声明，运行到该层时还会触发NameError；多次运行看到sequential_34、sequential_41这类递增序号，是因为每次运行都在当前计算图中新增了模型实例，未清理旧的模型定义，该现象不影响核心报错逻辑。

• 调整输入数据维度：将2维的输入特征重塑为LSTM要求的3维格式，匹配你设置的(2,1)输入形状：

trainx = trainx.reshape((trainx.shape[0], 2, 1))
testx = testx.reshape((testx.shape[0], 2, 1))

重塑后trainx.shape将变为(3885, 2, 1)，完全符合LSTM层的输入维度要求。

• 补全缺失的导入：在层导入语句中加入Flatten：

from keras.layers import LSTM, Dense, Flatten

• 适配标签形状：你的输出层为2分类softmax，输出形状为(批量大小, 2)，当前标签为1维整数数组，建议转为one-hot编码匹配输出形状，避免训练时出现标签维度不匹配问题：

from keras.utils import to_categorical
trainy = to_categorical(trainy, num_classes=2)
testy = to_categorical(testy, num_classes=2)

import numpy
import tensorflow as tf
from keras.models import Sequential
from keras.layers import LSTM, Dense, Flatten
from keras.layers import Bidirectional
from keras.layers import TimeDistributed
from sklearn.model_selection import KFold, cross_val_score, train_test_split

# 此处省略原有数据加载逻辑
# 维度修正
trainx = trainx.reshape((trainx.shape[0], 2, 1))
testx = testx.reshape((testx.shape[0], 2, 1))
trainy = to_categorical(trainy, num_classes=2)
testy = to_categorical(testy, num_classes=2)

model = Sequential()
model.add(LSTM(40, return_sequences=True, input_shape=(2, 1)))
model.add(Dense(20, activation='relu'))
model.add(Dense(16, activation='sigmoid'))
model.add(Dense(5, activation='tanh'))
model.add(Flatten())
model.add(Dense(2, activation='softmax'))

model.compile(loss='mean_squared_logarithmic_error', optimizer='adam', metrics=['accuracy'])

callback = tf.keras.callbacks.EarlyStopping(monitor='loss', patience=3)
model.fit(trainx, trainy, epochs=10, batch_size=10, callbacks=[callback])

model.save_weights('LSTMBasic1.h5')

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