Keras批量训练RNN遇维度不匹配报错，求解决方法

首先，咱们来拆解一下你遇到的错误根源：你第二个Bidirectional(LSTM)没有设置return_sequences=True，导致它的输出丢掉了时间维度，变成了二维张量，而你的目标是三维的（每个时间步都要输出预测值），这就造成了维度不匹配的报错。

问题细节分析 #

• 你的输入是(batch_size, 70, 3075)，第一个双向LSTM设置了return_sequences=True，所以输出是(batch_size,70,2*n_hid)（双向LSTM会把前向和后向的隐状态拼接，所以维度是2倍的n_hid）。
• 但第二个双向LSTM没加return_sequences=True，它会只返回最后一个时间步的隐状态，输出变成(batch_size,2*n_hid)——这时候接Dense层，输出就是(batch_size,1025)，和你的目标(batch_size,70,1025)完全对不上，自然会报错。

修正方案 #

只需要给第二个双向LSTM加上return_sequences=True，让它保留所有时间步的输出，这样后面的Dense层就能对每个时间步的特征做全连接处理（Keras的Dense层在遇到3D输入时，会自动作用在最后一个维度，相当于给每个时间步套了一个全连接层）。

修改后的完整代码如下：

from tensorflow.keras.layers import Input, Bidirectional, LSTM, Dropout, Dense
from tensorflow.keras.models import Model

n_hid = 你的隐藏层单元数 # 比如128、256之类的自定义数值

input_img = Input(shape=(70, 3075))
x = Bidirectional(LSTM(n_hid, return_sequences=True, dropout=0.5, recurrent_dropout=0.2))(input_img)
x = Dropout(0.2)(x)
# 关键修改：这里加上return_sequences=True，保留时间维度
x = Bidirectional(LSTM(n_hid, return_sequences=True, dropout=0.5, recurrent_dropout=0.2))(x)
x = Dropout(0.2)(x)
# 现在x的维度是(None,70,2*n_hid)，Dense会对每个时间步的2*n_hid特征映射到1025
o0 = Dense(1025, activation='sigmoid')(x)
o1 = Dense(1025, activation='sigmoid')(x)
o2 = Dense(1025, activation='sigmoid')(x)

model = Model(inputs=input_img, outputs=[o0, o1, o2])
# 编译模型，回归任务常用MSE损失
model.compile(optimizer='adam', loss='mse')

验证维度匹配 #

修改后，网络的三个输出o0、o1、o2的维度都是(None,70,1025)，和你的目标数据(10,70,1025)完全匹配，训练时就不会再出现维度不兼容的错误了。

另外提一句：你之前尝试的batch_shape其实没必要，因为Input(shape=(70,3075))已经正确定义了输入的时间和特征维度，batch_size会在训练时自动适配。

内容的提问来源于stack exchange，提问作者Phys