如何为LSTM正确重塑输入张量形状？解决4D维度不匹配报错

• 目标：将神经网络中间层输出的特征送入仅设置1个timestep的LSTM层
• 报错：LSTM层接收到4D张量，不符合其要求的3D输入格式，触发维度不匹配错误
• 报错信息：

ValueError: Input 0 of layer lstm_1 is incompatible with the layer: expected ndim=3, found ndim=4. Full shape received: (1, 1, 1, 1)

• Reshape参数设置错误：Keras的Reshape层参数仅指定除batch维度外的输出形状，原代码中传入(-1, 1, 1)相当于指定3个非batch维度，加上自动保留的batch维度，最终输出为4D张量，完全不符合LSTM的输入要求。Keras中LSTM要求输入为3D张量，维度顺序为(batch_size, timesteps, features)。
• 自定义乘法逻辑破坏batch维度：原multiply函数中tf.slice写死了batch维度的索引，仅取batch中第0、1个样本做乘法，直接破坏了batch维度的动态性，不仅会导致形状异常，当batch size不等于2时还会触发切片越界错误。
• 张量传递错误：原代码定义了Reshape后的lstm_returns张量，却将未做维度转换的2D张量filtered_return传入LSTM，即使Reshape逻辑正确，传错张量也会触发维度报错。

import tensorflow as tf
from tensorflow.keras.layers import Input, Dense, LSTM, Reshape, multiply
from tensorflow.keras.models import Model
import numpy as np

def multiply(x):
    # 沿特征维度切片，保留动态batch维度（第一个维度用-1表示取全部样本）
    feat_a = tf.slice(x, [0, 0], [-1, 1])
    feat_b = tf.slice(x, [0, 1], [-1, 1])
    return multiply([feat_a, feat_b])

return_inputs = Input(shape=(2, ))
returns = multiply(return_inputs)
filtered_return = Dense(units=1, activation='relu')(returns)

# 正确reshape为3D格式：1个timestep，每个timestep特征数为1，输出形状(batch_size, 1, 1)
lstm_returns = Reshape((1, 1))(filtered_return)

# 将符合维度要求的张量传入LSTM
returns_output = LSTM(units=1)(lstm_returns)
lstm_return = Model(inputs=return_inputs, outputs=returns_output)

# 功能测试
test_input = np.array([[0.3, 0.2], [0.5, 0.4]])
print(lstm_return.predict(test_input))

• 输入层输出形状：(None, 2)，None代表动态batch维度
• 特征相乘层输出形状：(None, 1)
• Dense层输出形状：(None, 1)
• Reshape层输出形状：(None, 1, 1)，符合LSTM的3D输入要求
• LSTM层输出形状：(None, 1)

内容的提问来源于stack exchange，提问作者user26616