Keras搭建LSTM多分类模型报输入维度不兼容错误如何解决

该报错由LSTM层的输入维度要求与实际传入的维度不匹配导致：

• Keras框架中LSTM是循环神经网络层，默认要求输入为3维张量，维度格式为(批量大小, 时间步数量, 单时间步特征数)，即输入维度ndim=3
• 你当前为LSTM层设置的input_shape=(7,)对应2维输入，张量形状为(批量大小, 7)，ndim=2，不符合LSTM层的输入要求，因此触发维度不匹配报错。

另外你贴的代码里LSTM层的kernel_initializer = initializer参数后缺少逗号，即使维度问题修复，也会触发语法错误，修改时需要补上。

根据你的数据属性二选一即可：

• 如果你的数据集是普通结构化表格数据（7个数值特征无序列/时序属性），不需要使用LSTM层，直接替换为适配2维表格输入的全连接层即可，修正后代码如下：

def create_keras_model():
  initializer = tf.keras.initializers.GlorotNormal()
  return tf.keras.models.Sequential([
                            tf.keras.layers.Input(shape=(7,)),
                            tf.keras.layers.Dense(units=20, kernel_initializer=initializer, activation='relu'),
                            tf.keras.layers.Dense(4),
                            tf.keras.layers.Softmax(),
                            ])

• 如果你确实需要用LSTM处理序列类数据，需要为输入增加时间步维度，将LSTM层的输入形状改为3维格式，同时将传入模型的训练、验证数据整体reshape为(样本总数, 时间步长度, 特征数)的形状。例如你的7个特征对应单个时间步的序列特征，可按如下方式修改模型：

def create_keras_model():
  initializer = tf.keras.initializers.GlorotNormal()
  return tf.keras.models.Sequential([
                            LSTM(units=20, kernel_initializer=initializer, input_shape=(1,7)), 
                            tf.keras.layers.Dense(4),
                            tf.keras.layers.Softmax(),
                            ])

对应的数据reshape可参考代码：X_train = X_train.reshape(-1, 1, 7)，测试集、验证集做相同处理即可。

内容的提问来源于stack exchange，提问作者Alwani