TensorFlow Keras Conv1D层输入维度不兼容报错解决方案

Keras中Conv1D层的输入要求为3阶张量，维度顺序为(批次大小, 序列长度, 通道数)，你传入的states形状为(32, 101)，是2阶张量，缺少通道维度，因此触发维度不匹配错误。
这里的“1D”指卷积核仅沿序列长度这1个空间维度滑动，并非要求输入总维度为1。和灰度图喂入Conv2D需要显式声明大小为1的通道维度（形状从(高,宽)变为(高,宽,1)）逻辑一致，单通道一维序列也需要补充长度为1的通道维度才能符合Conv1D的输入规范。
另外你代码中首层设置的input_shape=(101,)本身就是2维输入（加批次维后总秩为2）的配置，从输入层定义就不符合Conv1D的要求。

根据你实际的模型结构需求二选一即可：

方案1：保留一维卷积结构 #

需要修改两处配置：

1. 修正首层卷积的输入形状，补充通道维度声明：

model.add(tf.keras.layers.Conv1D(
    128,
    kernel_size=5,
    padding='same',
    activation=tf.keras.activations.relu,
    input_shape=(101, 1) # 末尾的1代表单通道序列
))

2. 训练前给输入数据扩充通道维度，把形状从(批次大小, 101)转为(批次大小, 101, 1)：

import numpy as np
# 传入训练前执行
states = np.expand_dims(states, axis=-1)

额外注意：卷积层输出为3阶张量，你当前代码在卷积层后直接堆叠Dense层会导致输出形状不符合预期，需要在最后一个卷积层后添加展平层，把3维输出转为2维再接全连接层：

# 最后一个Conv1D层之后加这行
model.add(tf.keras.layers.Flatten())
# 后续再接你原来定义的各个Dense层即可

方案2：改用全连接多层感知机 #

你的代码注释标注模型为多层感知机，如果不需要卷积操作，直接把首层Conv1D替换为全连接层即可，此时input_shape=(101,)的配置是正确的，不需要额外修改数据维度：

model = tf.keras.Sequential()
# 替换原Conv1D输入层
model.add(tf.keras.layers.Dense(
    128,
    activation=tf.keras.activations.relu,
    input_shape=(101,)
))
# 后续直接堆叠原有的Dense层即可

遇到Keras层维度不匹配报错时按以下步骤排查：

• 查阅对应层的官方文档，确认要求的输入张量阶数、维度顺序
• 打印传入数据的实际形状（调用print(输入数据.shape)），和层要求的形状逐位对齐
• 逐层核对网络各层的输出形状，确认相邻层的输入输出维度匹配，常见问题包括卷积/池化层后接全连接层时漏加展平/全局池化层、循环层返回序列状态配置错误等。

内容的提问来源于stack exchange，提问作者AB Music Box