基于Keras LSTM的序列预测维度错误问题求助

你遇到的维度错误核心原因是当前模型只输出每个文档的最后一个时间步结果，而你的需求是预测每行（每个时间步）的标签，具体拆解如下：

• 你的输入形状是(200, 400, 100)：200个样本（文档），每个样本包含400个时间步（行），每个时间步对应100个特征。
• 你的标签形状是(200, 400, 3)：每个时间步（每行）都对应一个3分类标签。
• 但你当前的LSTM层默认return_sequences=False，只会返回每个样本最后一个时间步的输出（形状为(200, 50)），经过Dense层后输出形状变为(200, 3)，和标签的(200, 400, 3)完全不匹配，因此触发维度错误。

修复步骤 #

只需要修改LSTM层的参数，让它返回所有时间步的输出，具体代码调整如下：

from keras.models import Sequential
from keras.layers import LSTM, Dense, Activation
from keras.optimizers import RMSprop

model = Sequential()
# 关键修改：添加return_sequences=True，让LSTM输出每个时间步的结果
model.add(LSTM(50, input_shape=(400, 100), return_sequences=True))
# Dense层会自动对每个时间步的输出做变换，最终输出形状为(200, 400, 3)
model.add(Dense(3))
model.add(Activation('softmax'))

optimizer = RMSprop(lr=0.01)
model.compile(loss='categorical_crossentropy', optimizer=optimizer)

额外优化建议 #

因为你的文档是用零填充对齐到400行的，建议在LSTM层之前添加Masking层，让模型自动忽略填充的零行，避免无效数据干扰训练：

from keras.layers import Masking

model = Sequential()
# 屏蔽值为0的时间步（即填充的无效行）
model.add(Masking(mask_value=0., input_shape=(400, 100)))
model.add(LSTM(50, return_sequences=True))
model.add(Dense(3))
model.add(Activation('softmax'))

这样调整后，模型的输出形状就会和你的标签形状完全匹配，维度错误即可解决。

内容的提问来源于stack exchange，提问作者Mahek Shah