149x8维度GPR数据使用卷积自编码器出现维度不匹配问题咨询

报错ValueError: Input 0 is incompatible with layer conv2d_1: expected ndim=4, found ndim=2的核心是二维卷积层的输入维度不匹配：Conv2D层要求输入为4维张量，格式为(批量大小, 特征高度, 特征宽度, 通道数)，但你当前定义的输入是Input(shape=(8,))，输出仅为2维张量(批量大小, 8)，完全不符合卷积层的输入要求。

你的输入数据维度为149×8，属于单通道的二维特征，按以下步骤调整代码即可：

1. 调整输入层定义 #

补充输入的高度、宽度、通道维度，单通道数据最后一维填1：

# 每个样本为149(高度)×8(宽度)的单通道GPR特征
input_img = Input(shape=(149, 8, 1))

2. 调整上下采样结构匹配输入维度 #

原代码多次2倍池化+上采样后会出现维度对齐问题，调整后完整可运行代码如下：

from tensorflow.keras import layers, Model, optimizers
import numpy as np

input_img = layers.Input(shape=(149, 8, 1))

# 编码器
x = layers.Conv2D(16, (3, 3), activation='relu', padding='same')(input_img)
x = layers.MaxPooling2D((2, 2), padding='same')(x)
x = layers.Conv2D(8, (3, 3), activation='relu', padding='same')(x)
x = layers.MaxPooling2D((2, 2), padding='same')(x)
x = layers.Conv2D(8, (3, 3), activation='relu', padding='same')(x)
encoded = layers.MaxPooling2D((2, 2), padding='same')(x)

# 解码器
x = layers.Conv2D(8, (3, 3), activation='relu', padding='same')(encoded)
x = layers.UpSampling2D((2, 2))(x)
x = layers.Conv2D(8, (3, 3), activation='relu', padding='same')(x)
x = layers.UpSampling2D((2, 2))(x)
x = layers.Conv2D(16, (3, 3), activation='relu', padding='same')(x)
x = layers.UpSampling2D((2, 2))(x)
# 裁剪到和输入一致的149×8尺寸
x = layers.Cropping2D(((3,0), (0,0)))(x)
decoded = layers.Conv2D(1, (3, 3), activation='linear', padding='same')(x)

autoencoder = Model(input_img, decoded)
sgd = optimizers.Adam(learning_rate=0.001)

autoencoder.compile(optimizer=sgd, loss='mse')
autoencoder.summary()

3. 调整训练数据维度 #

你的原始训练数据如果是(样本数, 149, 8)的格式，需要手动补充通道维度：

# 假设x_train为原始训练集
x_train = np.expand_dims(x_train, axis=-1)
# 处理后x_train维度为(样本数, 149, 8, 1)，符合模型输入要求

如果你的149×8数据是149个采样点、8个接收道的一维序列集合，也可以改用Conv1D搭建一维卷积自编码器，不需要处理高度维度的对齐问题，更适配序列类GPR数据的特征提取。

内容的提问来源于stack exchange，提问作者manas