基于Dense层初始化LSTM初始状态的维度兼容问题咨询

首先，咱们来拆解一下你遇到的ValueError核心原因：
Keras里的LSTM单元默认维护两个状态——隐藏状态（h）和细胞状态（c），当你设置units=8时，这两个状态的维度都是(batch_size, 8)，所以cell.state_size会显示为(8,8)，意味着你需要传入两个符合形状要求的张量作为初始状态，而不是一个3D张量。

你的代码里有两个关键问题：

1. 非时序特征的输入形状错误：这类与时序无关的特征（比如公司所在地）应该是每个样本对应一个固定向量，输入形状应为2D的(batch_size, feature_num)，而不是3D的(None, None, feature_num)——后者代表每个时间步都有一组特征，这和你的需求不符。
2. 初始状态的数量与形状不匹配：你只传入了一个3D的dense_2输出，但LSTM需要两个2D的张量（分别对应h和c的初始值）。

修正后的代码实现 #

# 非时序特征输入：2D形状，(batch_size, 非时序特征数)
feature_input = Input(shape=(data.training_features.shape[1],))
dense_1 = Dense(4, activation='relu')(feature_input)
# 输出16维，后续拆分为两个8维的初始状态
dense_2 = Dense(16, activation='relu')(dense_1)

# 拆分出LSTM需要的两个初始状态：隐藏态h0和细胞态c0
h0 = Dense(8, activation='relu')(dense_2)
c0 = Dense(8, activation='relu')(dense_2)

# 时序特征输入：保持3D形状，(batch_size, timesteps, 时序特征数)
series_input = Input(shape=(None, data.training_series.shape[1]))
# 传入两个初始状态
lstm = LSTM(8)(series_input, initial_state=[h0, c0])

out = Dense(1, activation="sigmoid")(lstm)
model = Model(inputs=[feature_input, series_input], outputs=out)
model.compile(loss='mean_squared_error', optimizer='adam', metrics=["mape"])

关键调整说明 #

• 修正非时序特征输入形状：把feature_input的形状从3D改为2D，符合非时序特征的属性——每个样本仅对应一组固定特征，不需要时间步维度。
• 生成匹配的初始状态：通过Dense层将非时序特征的处理结果拆分为两个8维的张量，分别作为LSTM的隐藏状态和细胞状态初始值，完全匹配cell.state_size=(8,8)的要求。

如果你确实需要让非时序特征作用于每个时间步（比如每个时间步都带上公司属性），那可以把非时序特征重复到每个时间步后，和时序特征拼接输入LSTM，但这和你用非时序特征初始化LSTM状态的需求是两种不同的思路——当前的方案更贴合你描述的“用非时序特征初始化LSTM”的需求。

内容的提问来源于stack exchange，提问作者modesitt