在R中用Keras构建LSTM遇输入维度不匹配错误求助

问题背景 #

你正在用R语言的Keras构建无状态LSTM模型，数据集前3列是输入特征，最后1列是输出标签。模型结构定义如下：

model %>% 
  layer_lstm(units = 1024, input_shape = c(1, 3), return_sequences = T ) %>% 
  layer_lstm(units = 1024, return_sequences = F) %>% 
  layer_dense(units = 1, activation = "linear")

model %>% compile(loss = 'mse', optimizer = 'rmsprop')

模型结构输出正常：

Layer (type) Output Shape Param # #

lstm_1 (LSTM) (None, 1, 1024) 4210688

---

lstm_2 (LSTM) (None, 1024) 8392704

---

dense_3 (Dense) (None, 1) 1025 #

Total params: 12,604,417
Trainable params: 12,604,417
Non-trainable params: 0

---

但执行训练代码时出现错误：

history <- model %>% fit(dt[,1:3], dt[,4], epochs=50, shuffle=F)

错误信息：

Error in py_call_impl(callable, dots$args, dots$keywords) :
ValueError: Error when checking input: expected lstm_1_input to have 3 dimensions, but got array with shape (3653, 3)

错误原因 #

Keras的LSTM层要求输入必须是三维张量，格式为(batch_size, timesteps, features)，其中：

• batch_size：每次训练的样本数（Keras会自动处理，不需要手动指定）
• timesteps：每个样本包含的时间步数
• features：每个时间步的特征数

你的输入dt[,1:3]是二维数组(3653, 3)，缺少了时间步这个维度——即使你用的是无状态LSTM且每个样本只有1个时间步，也必须显式转换成三维格式。

解决方法 #

你已经找对了方向：通过重塑数据为三维数组来解决。这里可以把自定义的reshapeDt函数写得更明确：

reshapeDt <- function(data) {
  # 将二维特征数据转换为三维：(样本数, 时间步数=1, 特征数)
  array(data, dim = c(nrow(data), 1, ncol(data)))
}

然后修改训练代码，传入重塑后的输入数据：

history <- model %>% fit(reshapeDt(dt[,1:3]), dt[,4], epochs=50, shuffle=F)

此时dim(reshapeDt(dt[,1:3]))会返回(3653, 1, 3)，完全匹配LSTM层input_shape = c(1, 3)的要求（input_shape指定的是(timesteps, features)，batch_size由Keras自动管理）。

补充说明 #

• 无状态LSTM的input_shape不需要包含batch_size，因为Keras会根据训练时的输入自动推断
• 如果你后续需要调整时间步数（比如用滑动窗口生成多时间步样本），只需要修改reshapeDt中的时间步维度，同时对应调整LSTM层的input_shape即可

内容的提问来源于stack exchange，提问作者Sayan Pal