搭建股票预测GRU模型时出现输入维度不匹配报错该如何解决

• 多余的Embedding层是直接触发维度报错的根源：Embedding层仅适用于离散整数ID类输入（比如文本的词编号），你的输入是连续型股票特征，完全不需要该层。原3维输入(样本数, 时间步20, 特征数320)经过Embedding层后，会给每个特征单独映射为50维向量，最终输出4维张量(None, 20, 320, 50)，而GRU层要求输入必须是3维，因此直接抛出维度不匹配错误。
• 重复设置GRU的input_shape属于无效配置：只有第一层网络需要指定输入形状，后续层会自动推导输入维度，且你填写的input_shape=(train_x.shape[1],1)和实际特征数320完全不符。
• 输出层与损失函数和二分类任务不匹配：你的标签是0/1二元变量，输出层应该用1个神经元加sigmoid激活，损失函数选择二元交叉熵，原配置用2个神经元+均方误差会严重影响模型收敛效果。

import tensorflow as tf
from tensorflow.keras import Sequential, layers
from tensorflow.keras.optimizers import SGD

# 提前定义超参数，可根据需求调整数值
EPOCHS = 50
BATCH_SIZE = 32

def GRU_model(train_x,train_y,val_x,val_y):
    model = Sequential()
    # 第一层GRU指定正确输入形状：(时间步长度, 特征数)
    model.add(layers.GRU(50, return_sequences=True, input_shape=(train_x.shape[1], train_x.shape[2]), activation='tanh'))
    model.add(layers.GRU(50, return_sequences=True, activation='tanh'))
    model.add(layers.GRU(50, return_sequences=True, activation='tanh'))
    model.add(layers.GRU(50, activation='tanh'))
    # 适配二分类任务的输出层
    model.add(layers.Dense(units=1, activation='sigmoid'))
    # 损失函数替换为二分类交叉熵，新增准确率指标方便观测训练效果
    model.compile(optimizer=SGD(learning_rate=0.01, decay=1e-7, momentum=0.9, nesterov=False), loss='binary_crossentropy', metrics=['accuracy'])
    
    model.fit(train_x, train_y, epochs=EPOCHS, batch_size=BATCH_SIZE, validation_data=(val_x, val_y))

    GRU_predict = model.predict(val_x)
    # 若需要直接输出0/1预测结果，可添加下行代码：
    # GRU_predict = (GRU_predict > 0.5).astype(int)
    return model, GRU_predict

my_gru_model, my_gru_predict = GRU_model(train_x, train_y, validation_x, validation_y)

修正后输入train_x的形状为(1122, 20, 320)，直接匹配GRU层要求的3维输入格式(批量大小, 时间步, 特征数)，不会再出现维度不匹配的报错。

内容的提问来源于stack exchange，提问作者moth