如何为搭配LSTM的Ragged张量设置输入格式 解决多输入传递报错问题

1. Sequential模型仅支持单输入单输出结构，你传入的是包含2个ragged张量的列表，与模型输入要求不匹配，这是触发报错的直接原因。
2. Input层的shape参数设置错误：你每个样本仅包含input、date22个特征，配置的(None,4)与实际特征维度不符。
3. 两个独立的特征张量没有做特征维度拼接，无法直接输入到序列模型中。

方案1：拼接为单输入（适配Sequential模型） #

第一步：修改输入处理逻辑，拼接特征 #

# 分别生成两个特征的ragged张量
input_feat = tf.ragged.constant(d0.groupby("id")["input"].apply(list))
date2_feat = tf.ragged.constant(d0.groupby("id")["date2"].apply(list))
# 扩展维度后沿最后一维拼接，得到形状为(样本数, 序列长度, 2)的统一输入张量
inputs = tf.concat([tf.expand_dims(input_feat, axis=-1), tf.expand_dims(date2_feat, axis=-1)], axis=-1)

第二步：修正模型Input层配置 #

mod1 = keras.Sequential([
    # 特征维度调整为2，移除固定batch_size配置适配自动批量计算
    keras.layers.Input(shape=(None, 2), dtype=tf.float32, ragged=True),
    keras.layers.LSTM(units=32, dtype=tf.float32, return_sequences=True, use_bias=False),
    keras.layers.Dense(units=32),
    keras.layers.Dense(units=1)
])

第三步：训练时直接传入拼接后的输入 #

history = mod1.fit(
    x=inputs,
    y=target,
    epochs=1,
    batch_size=1 # 若要保留原单样本批量训练逻辑可保留该参数
)

方案2：使用Functional API实现多输入 #

如果你需要保留多输入结构，无需提前拼接特征，可以改用Keras函数式API构建模型：

# 定义两个输入层
input1 = keras.layers.Input(shape=(None,), dtype=tf.float32, ragged=True)
input2 = keras.layers.Input(shape=(None,), dtype=tf.float32, ragged=True)
# 层内拼接特征
feat1 = tf.expand_dims(input1, axis=-1)
feat2 = tf.expand_dims(input2, axis=-1)
concat_feat = keras.layers.Concatenate(axis=-1)([feat1, feat2])
# 后续网络结构
lstm_layer = keras.layers.LSTM(units=32, return_sequences=True, use_bias=False)(concat_feat)
dense_layer1 = keras.layers.Dense(32)(lstm_layer)
output_layer = keras.layers.Dense(1)(dense_layer1)
# 实例化多输入模型
mod1 = keras.Model(inputs=[input1, input2], outputs=output_layer)

编译和训练逻辑无需修改，可直接传入原inputs列表训练。

内容的提问来源于stack exchange，提问作者Scuba Steve