Keras中Conv1D层针对非图像数据集的正确input_shape设置问题

核心结论 #

你当前设置的input_shape = (x_train_df.shape[1], 1)（即(28,1)）是完全正确的，将样本数2000填入input_shape是对参数含义的误解。

原理说明 #

• Keras所有层的input_shape参数均不包含样本批次维度，框架会自动在输入形状的最前面补充一个可变的批次维度（也就是报错信息里的None，对应每次训练传入的batch大小）
• Conv1D官方文档给出的示例(10, 128)是单个样本的形状：代表长度为10的序列，序列的每个位置是128维的向量，对应整个批次的输入形状为(None, 10, 128)
• 你的场景中，每个样本是长度为28的一维特征序列，序列每个位置的数值维度为1，因此单个样本的形状就是(28, 1)，对应input_shape设置为(28, 1)即可，模型预期的批次输入形状为(None, 28, 1)

注意事项 #

你当前的训练数据x_train_df形状为(2000, 28)，缺少最后一维的通道维度，部分版本的TensorFlow/Keras会做隐式兼容所以能跑通，更稳妥的做法是提前手动扩充维度：

import numpy as np
# 给训练、验证数据补充最后一维通道
x_train = np.expand_dims(x_train_df, axis=-1)
x_val = np.expand_dims(x_val_df, axis=-1)
# 后续使用扩充后的数据训练
model.fit(x_train, y_train_df, epochs = 2, batch_size = 32, validation_data = (x_val, y_val_df), verbose = 2)

内容的提问来源于stack exchange，提问作者Badal