ValueError: lstm层输入不兼容，期望ndim=3收到4维，该如何解决？

LSTM、GRU这类循环神经网络层默认要求输入张量为3维结构，格式为(批量大小, 时间步长, 特征数)，你触发错误的核心原因是对Keras输入形状参数的规则理解有误：
Keras中input_shape参数的定义不包含批量维度，当你给首层传入input_shape=(BATCH_SIZE, N_PAST, N_FEATURES)时，Keras会自动在形状最前面补充批量维度，最终模型期望的输入维度变成了4维(None, BATCH_SIZE, N_PAST, N_FEATURES)，和你实际输入的3维数据不匹配，因此抛出维度不兼容的报错。

如果你必须固定首层输入的完整形状（包含批量大小），只需要将input_shape参数替换为batch_input_shape即可，该参数支持传入包含批量维度的完整输入形状：

model = tf.keras.models.Sequential([
    # 替换input_shape为batch_input_shape
    tf.keras.layers.LSTM(64, return_sequences=True, batch_input_shape=(BATCH_SIZE, N_PAST, N_FEATURES)),
    tf.keras.layers.Dense(N_FEATURES)
])

model.summary()

optimizer =  tf.keras.optimizers.SGD(lr=1e-8, momentum=0.9)
model.compile(
    loss="mse",
    optimizer=optimizer,
    metrics=["mae"]
)
model.fit(
    train_set, validation_data=valid_set,validation_steps=100, epochs=100
)

注意：使用固定的batch_input_shape后，你传入的训练集、验证集每个批次的样本量必须严格等于BATCH_SIZE，后续做模型预测时输入数据的批次大小也需要和该值保持一致，否则仍会触发维度错误。
如果后续不需要严格限制批量大小，也可以直接去掉input_shape中的批量维度，写成input_shape=(N_PAST, N_FEATURES)即可适配任意批量大小的输入。

内容的提问来源于stack exchange，提问作者WeiJie