搭建CNN-全连接-CNN结构时Conv1D层报输入维度不兼容错误

1D卷积层Conv1D要求输入必须是3维张量，维度顺序为(批量大小, 序列长度, 特征通道数)，也就是张量维度ndim=3。
你的代码在第一个卷积层后加入了Flatten()层，将卷积输出的3维特征直接展平为2维，后续叠加的全连接Dense层输出始终是2维张量（形状为(批量大小, 神经元数量)），到第二个Conv1D层时，输入是2维张量，不满足层的输入维度要求，因此触发报错。

要在全连接层后正常接入Conv1D层，需要把全连接层输出的2维张量重新调整为Conv1D要求的3维格式，同时在第二个卷积+池化结构后补充展平操作，适配最终分类输出层的维度要求，具体修改点如下：

• 导入Reshape层，在最后一层全连接层后、第二个Conv1D层前加入Reshape操作，将2维特征重构为(序列长度, 通道数)的3维格式，注意序列长度和通道数的乘积必须等于上一层全连接层的输出神经元数量。
• 在MaxPool1D层后、输出层前补充Flatten层，将卷积池化输出的3维特征展平为2维，避免输出层维度不匹配。

修改后的可运行代码如下：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv1D, MaxPool1D, Flatten, Dense, Reshape

# 定义模型
model=Sequential()

# 第一部分：第一个1D卷积层
model.add(Conv1D(32,3, activation='relu', padding='same', 
                 input_shape = (X_train.shape[1],1)))

# 第二部分：全连接层块
model.add(Flatten())
model.add(Dense(256,activation='relu'))
model.add(Dense(128,activation='relu'))
model.add(Dense(32,activation='relu'))
# 维度重构：将全连接输出的(None,32)2维张量转为(None,32,1)3维张量，满足Conv1D输入要求
# 若你修改了上一层Dense的神经元数量，对应调整Reshape参数即可，只要两个维度乘积等于Dense输出数
model.add(Reshape((32, 1)))

# 第三部分：第二个1D卷积+池化层
model.add(Conv1D(64,3, activation='relu', padding='same'))
model.add(MaxPool1D(pool_size=(2,), strides=2, padding='same'))

# 展平卷积特征后接输出层
model.add(Flatten())
model.add(Dense(2,activation='softmax'))

# 编译模型
model.compile(loss='sparse_categorical_crossentropy',optimizer='adam',metrics=['accuracy'])

model.summary()

注：Reshape层的参数可以根据你的任务需求调整，比如如果上一层全连接输出是64维，可以设置为Reshape((32,2))或者Reshape((64,1))，只要两个维度的乘积等于全连接层的输出维度就不会触发维度错误。

内容的提问来源于stack exchange，提问作者Fatima