TensorFlow Sequential层输入维度不兼容报错排查

• 模型首层使用Conv1D层，该层要求输入为3维张量，维度格式为(批量大小, 时间步长, 特征数)，但当前传入的训练数据输入仅为2维，无法匹配层的输入要求，因此触发维度不匹配错误。
• 问题出在数据集构造环节：传入的收盘价序列close是一维numpy数组，切窗后生成的输入片段window[:-1]形状为(window_size,)，经过批量拼接后整体输入形状为(None, window_size)，缺少单特征序列对应的最后一维维度，和Conv1D层定义的输入形状[window_size, 1]不匹配。
• 额外注意：贴出的模型定义代码末尾缺少闭合的方括号和括号，运行时会先触发语法错误，记得补上。

两种方案任选其一即可：

方案1：修改数据集构造逻辑（推荐） #

在切窗后给输入特征增加一个维度，直接生成符合模型要求的3维输入。修改window函数中的map步骤代码：

# 原代码
# dataset = dataset.map(lambda window:(window[:-1],window[-1]))
# 修改为
dataset = dataset.map(lambda window:(window[:-1][..., tf.newaxis], window[-1]))

修改后每个输入样本的形状会变为(window_size, 1)，完全匹配Conv1D层的输入要求，无需调整模型结构。

方案2：调整模型结构适配现有数据 #

如果不想改动数据集逻辑，可以在模型最前端加一层Reshape层，把2维输入转换为模型需要的3维格式，修改后的模型结构如下：

model = tf.keras.models.Sequential([
    # 新增Reshape层完成维度转换
    tf.keras.layers.Reshape((window_size, 1), input_shape=[window_size]),
    tf.keras.layers.Conv1D(filters=80,kernel_size=3,activation='relu',padding='causal'),
    tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(40,return_sequences=True)),
    tf.keras.layers.LSTM(20),
    tf.keras.layers.Dense(20,activation='relu'),
    tf.keras.layers.Dense(10,activation='relu'),
    tf.keras.layers.Dense(1)
])

注意要去掉原Conv1D层里的input_shape参数，把输入形状定义移到最前面的Reshape层即可。

可选优化：如果训练时最后一个batch出现维度异常，可以在dataset.batch(batch_size)中加入参数drop_remainder=True，丢弃长度不足batch_size的末尾批次，保证输入形状稳定。

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