Keras函数式API中LSTM输入shape设置及维度不匹配报错解决方案

报错原因 #

LSTM层要求输入为三维张量，格式为(样本数, 时间步长, 特征数)，你当前输入的训练集是二维张量(样本数, 特征数)，缺少时间步长维度，同时Input层形状配置、堆叠LSTM的参数设置也存在错误。

修复步骤 #

1. 调整数据集维度 #

你需要给x_train和x_test新增时间步长维度，可根据你的数据逻辑选择以下两种方案：

# 方案1：将1144作为单时间步的全部特征，新增维度后形状为(样本数, 1, 1144)
x_train = x_train.reshape(x_train.shape[0], 1, x_train.shape[1])
x_test = x_test.reshape(x_test.shape[0], 1, x_test.shape[1])

# 方案2：对应你代码中定义的vector_size=572，将1144拆为2个时间步，每个时间步572维，形状为(样本数, 2, 572)
x_train = x_train.reshape(x_train.shape[0], 2, 572)
x_test = x_test.reshape(x_test.shape[0], 2, 572)

2. 修正模型代码 #

修正Input层配置，同时堆叠LSTM时前一层需添加return_sequences=True参数，保证输出三维张量给下一层LSTM使用，以下为修正后的完整代码（以方案2的维度为例）：

from tensorflow.keras.layers import Input, LSTM, Dropout, Dense, Activation
from tensorflow.keras.models import Model
from tensorflow.keras.callbacks import EarlyStopping

event_num = 65
droprate = 0.3
vector_size = 572

def build_lstm_model():
    # Input层仅需传入单个样本的形状，不需要写总样本数
    train_input = Input(shape=(2, 572), name='Inputlayer')
    # 前一层LSTM添加return_sequences=True，输出三维张量
    train_in = LSTM(512, return_sequences=True)(train_input)
    train_in = Dropout(droprate)(train_in)
    train_in = LSTM(256)(train_in)
    train_in = Dropout(droprate)(train_in)
    # LSTM输出已为二维张量，无需Flatten层
    train_in = Dense(event_num)(train_in)
    out = Activation('softmax')(train_in)
    model = Model(inputs=train_input, outputs=out)
    model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
    return model

lstm_model = build_lstm_model()
early_stopping = EarlyStopping(patience=3, restore_best_weights=True)
lstm_model.fit(x_train, y_train_one_hot, batch_size=128, epochs=10, validation_data=(x_test, y_test_one_hot), callbacks=[early_stopping])

注意事项 #

• 时间步长的设置需要匹配你的数据逻辑，如果1144是n个时间步的特征拼接，就拆分为对应的n个时间步即可
• 最后一个LSTM层不需要添加return_sequences=True，输出的二维张量可直接接入全连接层做分类

内容的提问来源于stack exchange，提问作者Waqar Kaleem Khan