如何在Keras中训练输入为不同长度时间序列样本的RNN模型

针对不等长时间序列适配RNN输入要求的问题，有两种成熟的处理方案：

方案1：填充+掩码（兼容性最优，最常用） #

该方案通过将所有序列对齐到统一长度实现固定shape输入，适配所有Keras层：

• 第一步：确定统一时间步长度，可直接取数据集所有样本的最大长度，也可根据业务需要自定义阈值，超过阈值的序列做截断处理，不足的做填充。
• 第二步：使用Keras内置pad_sequences工具完成批量填充，示例代码如下：

from tensorflow.keras.preprocessing.sequence import pad_sequences
import numpy as np

# 原始不等长序列
raw_data = [[1,2,3,4], [3,7], [5,6,8,9,10,11]]
# 填充到统一长度，默认前补0，设置padding='post'可改为后补0
padded_data = pad_sequences(raw_data, padding='post', maxlen=6)
# 扩展最后一维input_dim，得到形状为(3,6,1)的输入张量
X = np.expand_dims(padded_data, axis=-1)

• 第三步：在RNN层中添加mask_zero=True参数，示例：LSTM(32, mask_zero=True)，模型会自动忽略填充的0值，不会将无效填充位纳入特征计算。

方案2：RaggedTensor 动态输入（原生支持变长shape） #

该方案无需填充，可直接生成你需要的(3, None, 1)动态形状输入：

• 直接将原始不等长序列转换为TensorFlow RaggedTensor类型即可，示例代码如下：

import tensorflow as tf

raw_data = [[1,2,3,4], [3,7], [5,6,8,9,10,11]]
# 构造形状为(3, None, 1)的动态长度输入
X = tf.ragged.constant(raw_data, ragged_rank=1).to_tensor(shape=(None, None, 1))

• 该方案不需要额外设置掩码参数，Keras RNN层原生支持RaggedTensor输入，但注意部分自定义操作或第三方层可能不兼容RaggedTensor类型。

方案选择建议 #

• 样本长度差异小于30%的场景优先选择填充方案，训练速度和兼容性更稳定。
• 样本长度差异极大、填充会引入大量无效计算的场景选择RaggedTensor方案。

内容的提问来源于stack exchange，提问作者jda5