TensorFlow搭建SimpleRNN时输入维度不匹配报错求解决

TensorFlow中所有循环神经网络层（包括SimpleRNN、LSTM、GRU）的输入要求为3维张量，维度格式固定为(样本数, 时间步长, 单时间步特征数)，你当前的输入训练数据只有2维(8, 50)，缺少最后一维的特征维度，所以触发维度不匹配报错。
另外你代码中给SimpleRNN传入input_dim参数的写法错误，input_dim是全连接层（Dense）的入参，RNN层需要通过input_shape指定输入的时间步和特征维度。

首先明确你输入数据的业务含义，按最常见的场景（8为样本数、50为单样本的序列长度）修改，步骤如下：

• 第一步：给训练数据增加特征维度，将二维数据扩展为三维

# 假设每个时间步的特征数为1，添加最后一维后数据形状从(8,50)变为(8,50,1)
trainingData = np.expand_dims(trainingData, axis=-1)

• 第二步：修改SimpleRNN层的输入参数配置，指定正确的输入形状

import numpy as np
from tensorflow import keras
from tensorflow.keras import layers
from keras.regularizers import l2

model = keras.Sequential()
model.add(layers.SimpleRNN(
                        units= 8,
                        activation='sigmoid', 
                        kernel_regularizer=l2(0.0), 
                        # 输入形状对应(时间步长=50, 单时间步特征数=1)，样本数维度不需要显式指定
                        input_shape = (50, 1)))
model.compile(optimizer=keras.optimizers.RMSprop(learning_rate=1e-3),
          loss=keras.losses.MeanSquaredError(),
          metrics=[keras.metrics.MeanSquaredError()],)

# 此时trainingData形状为(8,50,1)，OutputData形状为(8,8)，维度匹配可以正常训练
model.fit(
    x=trainingData,
    y=OutputData,
    batch_size=5, 
    epochs=2000, 
    verbose=0,)

如果你的业务逻辑中50为样本数、8为单时间步特征数、时间步长为1，则修改方式为：

• 将训练数据调整为形状(50, 1, 8)
• SimpleRNN层的input_shape改为(1, 8)
• 对应输出标签的维度调整为(50, 8)即可

内容的提问来源于stack exchange，提问作者Islam Ahmed A. Mohammed