Keras搭建RNN/LSTM模型触发sequential层输入形状不兼容错误如何解决

ValueError: Input 0 of layer "sequential" is incompatible with the layer: expected shape=(None, 33714, 12), found shape=(None, 12)

该报错由两个核心问题共同导致：

• LSTM作为循环网络层，要求输入维度为(样本数, 时间步长, 特征数)，你在第一层LSTM错误传入了input_shape=x_train.shape，x_train.shape是(33714, 12)，包含了训练集样本总数，Keras会自动在输入形状前补batch维度，所以模型期望输入变成了(None, 33714, 12)，和实际输入的(None,12)维度不匹配
• 当前数据集没有做时序滑窗处理，缺少时间步长维度，不符合循环网络的输入要求

步骤1：构造时序滑窗数据集 #

首先根据业务场景选择合适的时间步长time_steps（比如用过去20个时间点的特征预测当前标签，time_steps=20），将原始数据转换为符合LSTM输入要求的格式，参考代码如下：

import numpy as np

def create_seq_data(x, y, time_steps=20):
    x_seq, y_seq = [], []
    for i in range(time_steps, len(x)):
        x_seq.append(x[i-time_steps:i])
        y_seq.append(y[i])
    return np.array(x_seq), np.array(y_seq)

# 自定义时间步长，可根据需求调整
TIME_STEPS = 20
x_train_seq, y_train_seq = create_seq_data(x_train, y_train, TIME_STEPS)
x_val_seq, y_val_seq = create_seq_data(x_val, y_val, TIME_STEPS)

# 处理后x_train_seq维度为 (样本数, TIME_STEPS, 12)，符合LSTM输入要求
print(x_train_seq.shape)

步骤2：修正模型结构 #

仅第一层LSTM需要指定input_shape，格式为(时间步长, 特征数)，不需要传入样本数，删除后续层重复的input_shape参数：

model = Sequential()
# 仅第一层指定输入形状，输入为 (TIME_STEPS, 12)，12是特征数
model.add(LSTM(128, input_shape=(TIME_STEPS, 12), activation='tanh', return_sequences=True))
model.add(Dropout(0.2))
model.add(BatchNormalization())

# 后续层自动推断输入形状，不需要写input_shape
model.add(LSTM(128, activation='tanh', return_sequences=True))
model.add(Dropout(0.1))
model.add(BatchNormalization())

# 最后一层LSTM后面接全连接层，不需要返回序列可以把return_sequences设为False
model.add(LSTM(128, activation='tanh'))
model.add(Dropout(0.2))
model.add(BatchNormalization())

model.add(Dense(32, activation='relu'))
model.add(Dropout(0.2))

model.add(Dense(2, activation='softmax'))

步骤3：使用处理后的时序数据训练模型 #

把fit方法里的输入替换为构造好的序列数据即可：

history = model.fit(x_train_seq, y_train_seq, epochs=EPOCHS, batch_size=BATCH_SIZE,
                    validation_data=(x_val_seq, y_val_seq), callbacks=[tensorboard, checkpoint])

临时调试方案 #

如果你只是想先跑通模型验证逻辑，不需要滑窗处理，可以手动给原始数据增加一个长度为1的时间步维度，不需要修改数据集构造逻辑，仅做如下调整：

# 给x_train和x_val增加时间步维度
x_train = np.expand_dims(x_train, axis=1)
x_val = np.expand_dims(x_val, axis=1)

# 模型第一层input_shape改为(1, 12)
model.add(LSTM(128, input_shape=(1, 12), activation='tanh', return_sequences=True))

注意这种方案时间步长为1，无法发挥LSTM的时序特征提取能力，仅适合临时调试用。

内容的提问来源于stack exchange，提问作者Pierluigi Vancheri