使用Keras Tuner调优LSTM timesteps输入形状报错解决

报错本质是传参逻辑和Keras Tuner执行流程不匹配：

• 你调用tuner.search()时传入的build_model.scaled_train、build_model.train_label是调用瞬间的固定值，也就是初始化阶段timesteps=2时生成的形状为(4096, 2, 64)的数据，整个搜索流程启动后这份传入的数据不会自动更新。
• 你在build_model内部虽然会根据当前trial的timesteps重新生成对应形状的数据，还把数据挂到了函数属性上，但tuner.search根本不会读取这个后续更新的属性，始终拿最开始传入的旧数据喂给每轮新构建的模型——而新模型的输入形状是和当前轮timesteps绑定的（比如timesteps=16时输入形状要求是(None,16,64)），喂进去形状为(None,2,64)的旧数据必然触发形状不匹配错误。
• 给函数挂自定义属性传递训练数据的写法本身不符合Keras Tuner的设计逻辑，数据处理流程不应该放在build_model内部。

把和超参数绑定的数据生成逻辑移到重写的run_trial方法中，保证每轮试验选到新的timesteps时，先生成对应形状的训练/验证数据，再传入模型训练。
修正后的核心代码如下：

# 提前保留好未做时序滑窗转换的原始基础数据DF、UF，不要提前做形状切分
def build_model(hp):
    timesteps = hp.Choice('timesteps', [2, 4, 8, 16], ordered=False)
    nosamples = 64 # 替换为你实际的特征维度值
    model = keras.Sequential()
    model.add(keras.layers.InputLayer(input_shape=(timesteps, nosamples)))
    # 此处补充你原有的LSTM层、全连接层、输出层结构
    # ...
    model.compile(optimizer="adam", loss="mse") # 替换为你实际使用的优化器、损失函数、评估指标
    return model

class MyTuner(keras_tuner.BayesianOptimization):
    def run_trial(self, trial, *args, **kwargs):
        hp = trial.hyperparameters
        # 读取当前轮试验的超参数取值
        current_timesteps = hp.Choice('timesteps', [2, 4, 8, 16], ordered=False)
        kwargs['batch_size'] = hp.Choice('batch_size', [32, 64, 128, 256])

        # 按当前timesteps生成对应形状的数据集
        DFS, UFS = get_data_in_shape(DF, UF, current_timesteps)
        scaled_train, train_label = train_test_splitting(DFS, UFS)

        # 传入当前轮匹配形状的数据执行训练
        return super().run_trial(
            trial, 
            scaled_train, 
            train_label, 
            validation_split=0.2, 
            epochs=100, 
            callbacks=[early_stopping], 
            **kwargs
        )

tuner = MyTuner(
    build_model,
    objective='val_loss',
    max_trials=20,
    overwrite=True,
    directory='/content/drive/MyDrive/Colab Notebooks',
    project_name='bo4'
)

# 启动搜索时不需要提前传入固定数据集，每轮数据会在run_trial中动态生成
tuner.search()

• build_model的单一职责是根据传入的超参数对象构建、编译模型，不要在里面掺杂数据处理、数据集生成的逻辑。
• 如果需要降低指标波动，不建议使用validation_split随机拆分验证集，可以提前针对每个timesteps生成固定的验证集，在run_trial中通过validation_data参数传入，保证每轮试验的验证集分布一致。

内容的提问来源于stack exchange，提问作者Srijan