堆叠LSTM序列自编码器调用autoencoder.fit()触发KeyError异常求解

看起来你这是在构建堆叠LSTM自编码器的时候踩了几个变量和形状匹配的坑，我帮你拆解下问题根源和修复方法：

一、直接触发KeyError的变量名错误 #

你在定义autoencoder和encoder的时候，误用了一个根本没定义的变量input_dim：

# 错误代码：input_dim是未定义的变量
autoencoder = keras.Model(input_dim, decoded)
encoder = keras.Model(input_dim, encoded)

这里应该用你之前已经创建好的inputs变量（就是keras.Input(...)的返回值），改成下面这样就解决了第一个问题：

autoencoder = keras.Model(inputs, decoded)
encoder = keras.Model(inputs, encoded)

二、Decoder输入形状完全不匹配 #

你的encoded层设置了return_sequences=False，所以它的输出形状是(batch_size, encoding_dim)，但你定义解码器输入的时候多了一个timesteps维度：

# 错误形状：多了不必要的timesteps维度
encoded_input = keras.Input(shape=(timesteps, encoding_dim,))

正确的输入形状应该只保留编码维度，改成：

encoded_input = keras.Input(shape=(encoding_dim,))

三、Decoder构建时遗漏了RepeatVector层 #

原模型里解码流程是从RepeatVector层开始的，但你在手动构建decoder的时候直接跳过了这一层，导致后续LSTM层的输入形状完全对不上。正确的做法是先调用RepeatVector层，再依次调用后面的LSTM层。

为了避免数层索引出错，我建议给RepeatVector层加个名字，这样后续调用更稳妥：

# 给RepeatVector层命名
x = layers.RepeatVector(timesteps, name='repeat_vec')(encoded)

然后构建decoder的时候可以这样写：

decoder_input = keras.Input(shape=(encoding_dim,))
# 先调用RepeatVector层
x = autoencoder.get_layer('repeat_vec')(decoder_input)
# 再依次调用后续的LSTM层
x = autoencoder.layers[8](x)
x = autoencoder.layers[9](x)
x = autoencoder.layers[10](x)
x = autoencoder.layers[11](x)
x = autoencoder.layers[12](x)
x = autoencoder.layers[13](x)
# 最后调用TimeDistributed输出层
decoder_output = autoencoder.layers[14](x)
decoder = keras.Model(decoder_input, decoder_output)

四、额外解决你提到的NaN损失问题 #

你说简化版模型会出现NaN损失，这大概率是因为给LSTM用了relu激活函数。LSTM内部的门控机制天生更适配tanh或sigmoid，relu的硬饱和特性很容易引发梯度爆炸/消失，进而出现NaN。

建议把所有LSTM的激活函数改成tanh（这也是Keras LSTM的默认激活），同时可以把Adam优化器的学习率调小一点（比如1e-4），进一步避免梯度问题：

# 编码器和解码器的LSTM都用tanh
x = layers.LSTM(320, activation='tanh', return_sequences=True)(inputs)
# ...其他LSTM层同理

# 编译时用更小的学习率
autoencoder.compile(optimizer=keras.optimizers.Adam(learning_rate=1e-4), loss='mean_squared_error')

把这些修改都加上之后，你的模型应该就能正常训练，不会再触发KeyError，也能缓解NaN损失的问题了。

备注：内容来源于stack exchange，提问作者Albas