基于LSTM/RNN预测数字序列时Keras LSTM层维度不兼容问题求解

LSTM输入维度说明 #

Keras中所有RNN类层（包含LSTM、GRU等）的标准输入为3维张量，维度顺序是(batch_size, timesteps, features)，你遇到的报错缺失的就是**时间步（timesteps）**维度：

• 第1维为批次大小，训练时自动适配
• 第2维为时间步长度，即单条样本的序列长度
• 第3维为每个时间步的特征数量

你当前的输入经过Dense层后输出形状为(None, 32)，仅包含批次、特征两个维度，不符合LSTM的输入要求，因此触发维度不匹配错误。

当前层使用的错误点 #

你的代码存在两个核心问题，无法实现序列输出需求：

1. 输入形状不符合RNN规范：你的输入是单个正整数，作为序列生成的初始值，需要主动增加时间步维度，比如将输入形状调整为Input(shape=(1, 1))，代表单时间步、每个时间步1个特征，输入后形状自动扩展为(batch_size, 1, 1)，满足3维要求。
2. 未配置序列输出参数：LSTM默认仅返回最后一个时间步的输出，要输出完整的序列需要给LSTM设置return_sequences=True参数，同时可以搭配RepeatVector层将初始输入扩展到和目标序列等长的维度，最后输出层对应每个时间步输出1个数值即可。

简易修正示例 #

from keras.models import Sequential
from keras.layers import Input, Dense, LSTM, RepeatVector

# 你的目标序列长度为之前计算得到的maxsize=8
output_seq_len = 8

mymodel = Sequential()
# 输入形状调整为(1,1)，对应单时间步、单特征的初始数值
mymodel.add(Input(shape=(1, 1)))
# 将初始输入复制扩展为目标序列长度的时间步维度
mymodel.add(RepeatVector(output_seq_len))
# LSTM开启return_sequences返回所有时间步的输出
mymodel.add(LSTM(64, return_sequences=True))
# 每个时间步输出1个数值，对应序列的每个位置结果
mymodel.add(Dense(1))

# 训练时输入数据需要reshape为(样本数, 1, 1)，标签数据reshape为(样本数, 8, 1)即可正常训练

内容的提问来源于stack exchange，提问作者Whitehot