正确封装Keras LSTM层为函数 解决模型输入形状不匹配报错

结构异常、形状不匹配问题与局部LSTM封装函数、Python作用域、层实例复用无关，核心是两处编码错误：

• 致命错误：构建Keras模型时传入的输入张量错误。代码中反复对变量x重新赋值：初始x指向Input层占位张量，但经过编码器LSTM运算、RepeatVector转换、解码器LSTM循环后，x已经是计算流中下游的张量。最后调用tf.keras.models.Model(x, decoder_outputs2)时，Keras会将第一个入参作为模型输入节点，仅构建从该张量到输出的计算子图，因此前面定义的原始输入层、所有编码器LSTM层、大部分解码器层都被排除在模型外。异常日志里的输入形状(None, 1, 513)恰好是RepeatVector(output_seq_len=1)的输出形状，和错误传入的x形状完全吻合。
• 逻辑缺陷：解码器层的initial_state=encoder_states_1参数被注释，编码器提取的序列状态未传递给解码器，不符合seq2seq结构的设计预期。

局部LSTM_layer函数的封装逻辑没有问题：每次调用都会重新实例化独立的tf.keras.layers.LSTM对象，不存在层实例重复复用的问题。

1. 为原始输入层保留独立变量引用，避免被后续x的赋值覆盖：

# 单独存储输入张量引用
input_tensor = tf.keras.layers.Input(shape=(input_seq_len, n_features_input))
x = input_tensor

2. 修复解码器状态传递逻辑，将编码器输出状态传入第一层解码器：

for i in range(num_decoder_layers):
    # 仅第一层解码器用编码器输出状态初始化，后续层使用上一层的输出状态
    init_state = encoder_states_1 if i == 0 else None
    x, _ = LSTM_layer(x, decoder_width, 
                   return_sequences=True, initial_state=init_state)

3. 构建模型时传入原始输入张量作为模型输入，不要传入运算后的中间张量x：

return tf.keras.models.Model(input_tensor, decoder_outputs2)

修复后重新打印模型结构，即可看到完整的多层编码器、RepeatVector、多层解码器、TimeDistributed输出层，输入形状会匹配训练集的(None, 12, 109)，形状不匹配报错会消失。

内容的提问来源于stack exchange，提问作者Lucas Spangher