TensorFlow Keras用Conv1D处理时间序列时Input Shape相关ValueError求助

两个报错均来自Conv1D输入形状规则不匹配：

• Keras中Conv1D层要求输入张量必须为3维结构(样本数, 时间步长, 特征数)，首次报错是因为输入为2维张量，缺少维度
• 二次报错是因为你定义模型时错误将包含样本数的全量数据形状传给了input_shape参数，导致模型期望的最后一维特征数和reshape后的数据不匹配
• 额外问题：你调用model.fit()时仅传入了特征数据，未传入对应标签，回归任务无法计算损失也会导致报错

根据你的时间序列业务定义选择对应方案即可：

方案1：单样本场景（177为时间步长，4为特征数） #

该场景下你只有1条时间序列，序列共177个时间步，每个时间步对应4个特征：

1. 修正模型输入配置：input_shape不需要包含样本维度，仅传入(时间步长, 特征数)即可

model = tf.keras.models.Sequential([
    tf.keras.layers.Conv1D(filters=32,
                           kernel_size=1,
                           strides=1,
                           padding="causal",
                           activation="relu",
                           input_shape=(177,4)),
    tf.keras.layers.MaxPooling1D(pool_size=2, strides=1, padding="valid")
])

2. 给数据添加样本维度，将2维张量转为3维：

X_train = tf.expand_dims(test, axis=0) # 转换后形状为 (1, 177, 4)

3. 传入对应标签y_train启动训练，标签形状需要和模型输出匹配：

trainedModel = model.fit(X_train, y_train, epochs=100, verbose=1)

方案2：多样本场景（177为样本数，4为单样本时间步长） #

该场景下你共有177条样本，每条样本是长度为4的单特征时间序列：

1. 修正模型输入配置：

model = tf.keras.models.Sequential([
    tf.keras.layers.Conv1D(filters=32,
                           kernel_size=1,
                           strides=1,
                           padding="causal",
                           activation="relu",
                           input_shape=(4,1)),
    tf.keras.layers.MaxPooling1D(pool_size=2, strides=1, padding="valid")
])

2. 给数据添加特征维度，将2维张量转为3维：

X_train = np.expand_dims(test, axis=-1) # 转换后形状为 (177, 4, 1)

3. 传入对应标签y_train启动训练即可

内容的提问来源于stack exchange，提问作者Sunny J