Conv1D模型运行报错期望3维输入却得到2维该如何解决

• Conv1D层要求输入必须为3维张量，格式为(样本数, 序列长度, 特征数)，你当前输入的原始数据形状为(2363, 2)，仅为2维，缺失序列长度维度，因此触发维度不匹配错误。
• 你设置的输入参数input_shape=(202,2)要求每个样本的序列长度为202、特征数为2，和你的实际输入数据结构不匹配，也是报错的诱因之一。

根据你的数据实际场景选择对应处理方式：

场景1：2363为样本总数，每个样本是长度为1的2特征序列 #

1. 先对输入数据做维度扩充，增加序列长度维度：

# 假设你的原始输入数据为x，形状为(2363, 2)
import numpy as np
x = np.expand_dims(x, axis=1)
# 调整后x的形状变为(2363, 1, 2)，符合Conv1D的3维输入要求

2. 修改模型输入层的input_shape为(1,2)，同时注意多次MaxPooling1D可能会把过小的序列长度压缩到0，可根据实际情况删减后面的池化层。
3. 修正最后一层激活函数：二分类任务中Dense(1)搭配softmax会导致输出恒为1，需替换为sigmoid。

场景2：2363为单条序列的总长度，2为特征数 #

你需要先对长序列做滑窗切片，生成每个长度为202的子样本，切片后数据形状约为(2363-202+1, 202, 2)，即可匹配你原设置的input_shape=(202,2)。

import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv1D, BatchNormalization, MaxPooling1D, Flatten, Dense

# 模拟你的原始数据，替换为自己的实际数据即可
x = np.random.randn(2363, 2)
y = np.random.randint(0, 2, size=(2363, 1))

# 扩充输入维度
x = np.expand_dims(x, axis=1)

model_2 = Sequential()
model_2.add(Conv1D(256, kernel_size=3, activation='relu', input_shape=(1,2), padding='same')) # kernel_size可根据需求调整
model_2.add(BatchNormalization())
model_2.add(MaxPooling1D(padding='same'))

model_2.add(Conv1D(128, kernel_size=3, activation='relu', padding='same'))
model_2.add(BatchNormalization())

model_2.add(Conv1D(64, kernel_size=3, activation='relu', padding='same'))
model_2.add(BatchNormalization())

model_2.add(Conv1D(32, kernel_size=3, activation='relu', padding='same'))
model_2.add(BatchNormalization())

model_2.add(Flatten())
model_2.add(Dense(4, kernel_initializer="uniform", activation='relu'))
model_2.add(Dense(1, kernel_initializer="uniform", activation='sigmoid'))

# 编译测试
model_2.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
model_2.fit(x, y, epochs=5, batch_size=32)

内容的提问来源于stack exchange，提问作者Sparsh Gupta