Keras LSTM可变长度时序训练batch size适配报错求解

问题根源 #

• 输入层形状定义错误：你当前设置Input(shape=(1, 7))相当于强制固定时序长度为1，和可变时序长度的需求冲突，也和实际输入的时序维度不匹配，直接触发形状警告。
• 第二个LSTM层return_sequences参数配置错误：你设置为False只会输出最后一个时间步的结果，形状为(batch_size, 输出维度)，和你的标签y_train的(timesteps, batch_size, 1)形状不匹配，触发广播报错。
• fit方法的batch_size参数误用：你已经在训练/验证数据的第二维内置了batch维度，fit的batch_size参数默认会对输入的第一维做batch拆分，完全不符合你time_major=True的张量布局。

解决方案 #

修改要点如下：

1. 输入层形状调整为Input(shape=(None, 7))，其中None代表时序长度可变，满足不同长度序列输入的需求。
2. 第二个LSTM层的return_sequences改为True，保证输出每个时间步的预测结果，和标签形状对齐。
3. 调用fit和evaluate时，将batch_size设置为None，告诉Keras不需要额外拆分batch，直接使用数据中内置的batch维度。

修复后可正常运行的完整代码：

import tensorflow as tf
import numpy as np

rnn = tf.keras.models.Sequential()
# 修正输入层，None代表时序长度可变
rnn.add(tf.keras.layers.Input(shape=(None, 7)))
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))
# 修正return_sequences为True，输出所有时间步结果
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))
rnn.add(tf.keras.layers.Dense(1, activation="linear"))
rnn.compile(loss="mse", optimizer="adam")

batch_size = 6
x_train = np.random.rand(50, batch_size, 7)
y_train = np.random.rand(50, batch_size, 1)
x_val = np.random.rand(70, 1, 7)
y_val = np.random.rand(70, 1, 1)
# 修正batch_size为None，不额外拆分batch
rnn.fit(x_train, y_train, batch_size=None, validation_data=(x_val, y_val))

x_test = np.random.rand(80, 1, 7)
y_test = np.random.rand(80, 1, 1)
# 同样设置batch_size为None
rnn.evaluate(x_test, y_test, verbose=1, batch_size=None)

内容的提问来源于stack exchange，提问作者Mefitico