Keras LSTM sequential层输入维度不兼容ValueError报错咨询

• reshape操作未生效：numpy数组的reshape()方法不会修改原数组，你调用X.reshape((1, 478405, 33))后没有将结果赋值回X，因此送入模型训练的X依然是转换为numpy后的二维结构，形状为(样本数, 特征数)也就是报错里的(1,33)，不符合LSTM要求的三维输入格式(样本数, 时间步长, 特征数)。
• LSTM输入维度参数错误：Keras中LSTM层的input_shape参数不需要包含样本维度，格式为(时间步长, 特征数)，你当前填写的(X.shape[1], X.shape[0])顺序颠倒，且在reshape未生效时读取的是二维X的维度，和预期的输入形状完全不匹配。
• 潜在的输出形状不匹配问题：你当前两个LSTM都设置了return_sequences=True，最终输出形状为(样本数, 478405, 1)，如果你的Y形状和该格式不匹配，修复输入问题后还会触发新的形状不兼容报错。
• ModelCheckpoint参数配置错误：原代码中把monitor、save_best_only等回调参数写到了字符串format的括号内，回调配置不会生效。

修改后的完整可运行代码如下：

Y = Y.to_numpy()
X = X.to_numpy()

# 修正1：将reshape结果赋值回X，得到符合要求的三维输入
X = X.reshape((1, 478405, 33))
# 若你的任务是输入整个序列输出单个预测值，建议调整Y形状为(1,1)，同时修改第二个LSTM的return_sequences为False
# 示例：Y = Y.reshape((1, 1))

opt = tf.keras.optimizers.Adam(lr=0.001, decay=1e-6)

model = Sequential()
# 修正2：调整input_shape为(时间步长, 特征数)，和reshape后的维度匹配
model.add(LSTM(33, return_sequences=True, input_shape=(478405, 33), activation='sigmoid'))
model.add(Dropout(0.2))
# 若为单值预测任务，将下面的return_sequences改为False
model.add(LSTM(33, return_sequences=True))
model.add(Dropout(0.2))
model.add(Dense(1, activation = "sigmoid"))

model.compile(optimizer='adam', loss='mse', metrics=['accuracy'])

# 修正3：调整ModelCheckpoint参数位置，回调参数从format括号中移出
filepath = "RNN_Final-{epoch:02d}-{val_acc:.3f}"
checkpoint = ModelCheckpoint(f"models/{filepath}.model", monitor='val_acc', verbose=1, save_best_only=True, mode='max')

# 训练时添加callbacks参数使 checkpoint 生效
history = model.fit(X, Y,  epochs=35, batch_size=1, shuffle=False, callbacks=[checkpoint])

scores = model.evaluate(X, Y)

额外优化建议 #

478405的时间步长非常大，直接训练LSTM会出现速度极慢、梯度消失的问题，建议根据业务逻辑将长序列拆分为多个长度为几十到数百的子序列训练，训练效率和模型效果都会明显提升。

内容的提问来源于stack exchange，提问作者José seabra