TensorFlow报错Shapes (None, 1)和(None, 1, 10)不兼容如何解决

1. 核心形状不匹配来自LSTM层的return_sequences=True参数：该参数开启后LSTM会返回所有时间步的输出，输出形状为(样本数, 时间步长, 隐藏层单元数)，而你的二分类标签形状为(样本数, 1)，多了时间步维度导致无法计算损失。
2. 额外逻辑问题：你将TF-IDF生成的句子全局向量直接reshape为(样本数, 1, 特征数)，相当于每个样本只有1个时间步，完全无法发挥LSTM处理序列上下文的优势，和普通全连接网络效果无差异。

方案1：快速修复当前报错（不调整预处理逻辑） #

• 移除LSTM层的return_sequences=True参数，仅返回最后一个时间步的输出，消除多余的时间步维度
• 确保输出层为1个神经元、激活函数为sigmoid，适配二分类任务
• 测试集X_test需要做和训练集相同的reshape操作，避免推理阶段报错

修改后参考代码：

# 训练集测试集都做维度调整
X_train = X_train.values.reshape(-1, 1, 15016)
X_test = X_test.values.reshape(-1, 1, 15016)

model = keras.models.Sequential()
# 移除return_sequences=True
model.add(keras.layers.LSTM(15, input_shape=(1, 15016)))
# 二分类输出层
model.add(keras.layers.Dense(1, activation='sigmoid'))
# 编译模型，二分类用binary_crossentropy损失
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

方案2：优化预处理适配RNN特性（推荐） #

将文本按词级序列编码，保留句子的语序信息，真正发挥LSTM的序列处理能力：

from keras.preprocessing.text import Tokenizer
from keras.preprocessing.sequence import pad_sequences

# 配置超参数
max_vocab_size = 15000
max_sentence_len = 100 # 根据数据集句子平均长度调整

# 文本序列化编码
tokenizer = Tokenizer(num_words=max_vocab_size)
tokenizer.fit_on_texts(data['Sentence'].values.astype('U'))
sentence_seqs = tokenizer.texts_to_sequences(data['Sentence'].values.astype('U'))
# 统一序列长度
X = pad_sequences(sentence_seqs, maxlen=max_sentence_len)
y = data['Label']

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, train_size=0.8, test_size=0.2, random_state=42)

# 构建模型
model = keras.models.Sequential()
model.add(keras.layers.Embedding(max_vocab_size, 128, input_length=max_sentence_len))
model.add(keras.layers.LSTM(15))
model.add(keras.layers.Dense(1, activation='sigmoid'))
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

内容的提问来源于stack exchange，提问作者AKang123.