多对多LSTM实现出现ValueError输入维度不匹配问题求助

Keras中所有RNN类层（包括LSTM）要求输入必须为3维张量，格式为(样本总数, 时间步长, 单时间步特征数)。
你当前定义的模型输入格式input_shape=(2,2)表示单样本维度为(时间步长=2, 特征数=2)，对应整体输入的维度应为(N,2,2)，其中N为样本数。但你实际构造的X数组维度为(2,2)，仅2维，维度不匹配触发报错。

根据你的多对多LSTM使用场景，需要调整输入输出的维度，以下是可直接运行的修改方案：

1. 给输入X增加样本维度，调整为符合要求的3维结构
2. 同步给输出Y增加维度，匹配TimeDistributed层的3维输出要求
3. 修正模型的input_shape参数匹配实际数据结构

修改后的完整代码如下：

import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dropout, TimeDistributed, Dense, Activation

# 输入数据：2个样本，单样本包含1个时间步，每个时间步2个特征
X = np.array(((10,20), (20,30)))
# 扩展为3维：(2个样本, 1个时间步, 2个特征)
X = np.expand_dims(X, axis=1)

# 输出数据：2个样本，单样本对应1个时间步的3个输出值
Y = np.array((
    (3.43766, -0.0258654, -9.33203),
    (3.39076, 0.0415078, -9.29935)
))
# 扩展为3维匹配输出要求：(2个样本, 1个时间步, 3个输出值)
Y = np.expand_dims(Y, axis=1)

model = Sequential()
# 修正input_shape为(时间步=1, 特征数=2)
model.add(LSTM(input_shape=(1,2), return_sequences=True, units=50))
model.add(Dropout(0.2))

model.add(LSTM(250, return_sequences=True))
model.add(Dropout(0.2))

model.add(TimeDistributed(Dense(3)))
model.add(Activation("linear"))

model.compile(loss="mse", optimizer="rmsprop")
model.fit(X, Y, epochs=1000, batch_size=1, verbose=2)

如果你后续需要处理更长的连续时间序列，只需调整input_shape里的时间步参数，同时将输入输出的数据按照(样本数, 时间步长, 特征数/输出数)的格式构造即可。

内容的提问来源于stack exchange，提问作者Abhishek Patil