Keras搭建Conv1D模型执行model.fit报min_ndim=3 found ndim=2错误咨询

• Keras中Conv1D层要求输入必须为3维张量，格式为(样本数量, 时间步长, 特征数)，你定义的Conv1D输入形状为(N_TIMESTEPS, N_FEATURES)即(10,5)，但当前输入数据X的形状为(100, 5)，仅2维，缺少时间步维度，因此模型拿到batch_size=10的输入时收到形状为(10,5)的2维数据，触发维度不匹配报错。
• 代码还存在两个隐藏问题：
  1. Conv1D输出为3维张量，直接接Dense层会导致输出形状不符合二分类要求
  2. 二分类场景使用sigmoid激活时，损失函数应使用binary_crossentropy，而非多分类场景用的categorical_crossentropy

方案1：保持使用Conv1D（适用于数据为序列类型的场景） #

1. 调整输入数据维度，补全时间步维度：

# 直接生成符合3维要求的输入数据
X = np.random.rand(100, N_TIMESTEPS, N_FEATURES)
# 若已有2维数据，可通过np.expand_dims补维度（需根据业务逻辑确认时间步的位置）
# X = np.expand_dims(X, axis=1) # 该写法适用于时间步长度为1的场景

2. 在Conv1D与输出Dense层之间增加Flatten层，将卷积输出的3维张量压平为2维，适配全连接层输入要求，同时调整kernel_size为小于时间步长的合理值：

from keras.layers import Flatten
model = Sequential()
# kernel_size不得大于时间步长N_TIMESTEPS，建议设置为3/5等小于10的数值
model.add(Conv1D(filters=32, kernel_size=3, activation='relu', input_shape=(N_TIMESTEPS, N_FEATURES)))
model.add(Flatten())
model.add(Dense(1, activation='sigmoid'))

3. 修正损失函数配置：

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

完整可运行代码 #

from keras.models import Sequential
from keras.layers import Dense, Conv1D, Flatten
import numpy as np

N_FEATURES=5
N_TIMESTEPS=10
X = np.random.rand(100, N_TIMESTEPS, N_FEATURES)
Y = np.random.randint(0,2, size=100)

model = Sequential()
model.add(Conv1D(filters=32, kernel_size=3, activation='relu', input_shape=(N_TIMESTEPS, N_FEATURES)))
model.add(Flatten())
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

model.fit(X, Y, epochs=150, batch_size=10)

方案2：替换为全连接网络（适用于数据无序列属性的场景） #

如果你的数据本身没有时间序列属性，不需要时间步维度，那么无需使用Conv1D层，直接搭建全连接网络即可：

from keras.models import Sequential
from keras.layers import Dense
import numpy as np

N_FEATURES=5
X = np.random.rand(100, N_FEATURES)
Y = np.random.randint(0,2, size=100)

model = Sequential()
model.add(Dense(32, activation='relu', input_shape=(N_FEATURES,)))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

model.fit(X, Y, epochs=150, batch_size=10)

内容的提问来源于stack exchange，提问作者Sunny J