LSTM-CNN开发中Conv1D层输入维度不匹配错误如何解决？

Conv1D层要求输入为至少3维的张量，维度格式为(batch_size, 序列长度, 特征数)，当前触发报错的原因是第二个LSTM层未开启return_sequences参数，输出维度只有2维(batch_size, 128)，缺少了序列长度维度，不符合Conv1D的输入要求。

有两种可行的修改思路，根据你的业务场景选择即可：

方案1：保留Conv1D在LSTM之后的结构，给第二个LSTM开启序列返回 #

只需要修改第二个LSTM层的参数，添加return_sequences=True即可，修改后的完整代码如下：

model = Sequential()
model.add(LSTM(64, return_sequences = True, input_shape=(X_train.shape[1], X_train.shape[2]),activation='relu'))
model.add(Dropout(0.1))
# 此处添加return_sequences=True，让LSTM输出3维张量
model.add(LSTM(128, activation= 'relu', return_sequences=True))
model.add(Conv1D(32, kernel_size=3, activation='relu'))
model.add(Flatten())
model.add(Dense(1)) 

model.compile(loss='mean_squared_error', optimizer='adam')

注意：如果开启return_sequences后Conv1D报序列长度不足的错误，需要保证第二个LSTM输出的序列长度大于等于Conv1D的kernel_size（当前为3），如果你的时间步本身小于3，可以调小kernel_size的值。

方案2：调换CNN和LSTM的顺序，先做特征提取再做时序建模 #

如果你的业务逻辑更适合先对单时间步的特征做卷积提取，再输入LSTM做时序依赖学习，可以调整层的顺序：

model = Sequential()
model.add(Conv1D(32, kernel_size=3, activation='relu', input_shape=(X_train.shape[1], X_train.shape[2])))
model.add(Dropout(0.1))
model.add(LSTM(64, activation='relu'))
model.add(Dense(1))

model.compile(loss='mean_squared_error', optimizer='adam')

这种方案无需使用Flatten层，参数更少，也能规避维度匹配问题，适合时序特征噪声较多的场景。

内容的提问来源于stack exchange，提问作者Ishita Chauhan