使用timeseries_dataset_from_array训练TensorFlow模型输出形状异常

1. timeseries_dataset_from_array生成的输入张量形状存在差异：

• 单特征输入（1维数组）：生成的序列形状为 (batch_size, sequence_length)，无单独的特征维度
• 多特征输入（2维DataFrame/数组）：生成的序列形状为 (batch_size, sequence_length, feature_count)，最后一维是特征维度

2. Dense层的运算特性：Dense层默认只作用于输入张量的最后一个维度，前面的维度都会被保留：

• 单特征场景下输入形状为(batch, 3)，过Dense层后得到(batch, 1)，符合预期
• 多特征场景下输入形状为(batch, 3, 2)，过Dense层后时序维度3被保留，输出为(batch, 3, 1)，也就是你看到的(100, 3, 1)结果，属于Dense层的正常表现，和广播无关。

你需要每个序列对应单个预测值，所以需要在Dense层之前合并或聚合时序维度，以下是三种常用方案：

方案1：添加Flatten层压平时序维度 #

把输入的(batch, 3, 2)压成(batch, 6)，再过Dense层，输出就是(batch,1)：

model = tf.keras.Sequential(
    [
        layers.Flatten(), # 新增压平层
        layers.Dense(32),
        layers.Dense(1),
    ]
)

方案2：添加池化层聚合时序信息 #

适合需要保留时序特征的场景，比如用全局平均池化：

model = tf.keras.Sequential(
    [
        layers.GlobalAveragePooling1D(), # 新增全局池化层，聚合3个时间步的信息
        layers.Dense(32),
        layers.Dense(1),
    ]
)

方案3：取最后一个时间步的输出 #

如果你只需要用最后一个时间步的特征做预测，可以在模型中手动切片：

inputs = layers.Input(shape=(3, 2))
x = layers.Dense(32)(inputs)
x = x[:, -1, :] # 取最后一个时间步的输出
outputs = layers.Dense(1)(x)
model = tf.keras.Model(inputs=inputs, outputs=outputs)

内容的提问来源于stack exchange，提问作者tiskiharja