TensorFlow堆叠LSTM层出现输入维度不兼容报错该如何解决？

• 核心错误是堆叠LSTM时前层输出维度不符合下一层输入要求：LSTM层默认要求输入为3维张量，维度顺序由time_major参数决定，要么是(时间步, 批量大小, 特征数)要么是(批量大小, 时间步, 特征数)。你第一个LSTM层设置了return_sequences=False，该参数控制LSTM是否返回所有时间步的输出，设为False时仅返回最后一个时间步的结果，输出维度为2维(批量大小, 隐藏单元数)，直接传给下一个LSTM就会触发维度不匹配的报错。
• 你修改第二个LSTM的input_shape无效的原因：问题根源是上一层输出本身维度错误，和当前层的input_shape设置无关，修改该参数无法解决问题。
• 额外不符合需求的设置：你当前输入层设置为Input(shape=(1,7))，直接把时间步固定为1，无法实现你支持任意长度时序输入的需求。

要同时满足堆叠LSTM、支持任意长度时序、CuDNN加速三个要求，修改点如下：

1. 所有位于中间的LSTM层（即除了最后一个LSTM之外的所有LSTM）都设置return_sequences=True，保证输出为3维张量可传入下一层LSTM
2. 输入层修改为Input(shape=(None,7))，第一个维度设为None即可支持任意长度的时序输入
3. 你当前的其他参数（activation、recurrent_activation、recurrent_dropout等）均符合CuDNN加速的约束，不需要调整

修正后的可运行代码：

import tensorflow as tf

rnn = tf.keras.models.Sequential()
# 支持任意时间步输入，time_major=True时输入shape（不含批量）为(时间步, 特征数)
rnn.add(tf.keras.layers.Input(shape=(None, 7)))
# 中间LSTM层return_sequences设为True，输出3维张量给下一层
rnn.add(tf.keras.layers.LSTM(5, activation="tanh", return_sequences=True, unroll=False,
                             recurrent_activation='sigmoid', use_bias=True, time_major=True,
                             recurrent_dropout=0, stateful=False))
# 最后一个LSTM按单值预测需求设return_sequences=False即可
rnn.add(tf.keras.layers.LSTM(5, activation="tanh", return_sequences=False, unroll=False,
                             recurrent_activation='sigmoid', use_bias=True, time_major=True,
                             recurrent_dropout=0, stateful=False))
rnn.add(tf.keras.layers.Dense(1, activation="linear"))

内容的提问来源于stack exchange，提问作者Mefitico