TensorFlow中如何将fully_connected层输出输入至LSTM层？

嘿，这个问题我之前搭建TensorFlow模型的时候也碰到过，其实核心就是给全连接层的输出增加一个时间步维度，把2D张量（(batch_size, num_features)）转成LSTM要求的3D张量（(batch_size, max_time, num_features)）就行，下面给你两种常用的实现方式：

方法1：用tf.expand_dims手动插入维度 #

这种方式比较灵活，适合在函数式API或者自定义模型里使用：

import tensorflow as tf

# 假设你的输入和全连接层定义
input_data = tf.keras.Input(shape=(128,))  # 输入是128维特征
fc_output = tf.keras.layers.Dense(64, activation='relu')(input_data)  # 输出形状：(batch_size, 64)

# 在batch_size和特征数之间插入时间步维度，这里设置max_time=1
lstm_input = tf.expand_dims(fc_output, axis=1)  # 输出形状：(batch_size, 1, 64)

# 传入LSTM层进行处理
lstm_output = tf.keras.layers.LSTM(32)(lstm_input)

这里的axis=1是关键，它会在第二个位置插入新维度，把每个全连接层的输出样本当成一个单时间步的序列，完美匹配LSTM的输入要求。

方法2：用Reshape层串联模型 #

如果是用Sequential顺序模型，用Reshape层会更直观，能直接把层串联起来：

model = tf.keras.Sequential([
    tf.keras.layers.Dense(64, activation='relu', input_shape=(128,)),
    # 重塑为3D张量，`None`对应动态的batch_size，1是时间步，64是特征数
    tf.keras.layers.Reshape((1, 64)),
    tf.keras.layers.LSTM(32)
])

这种写法不需要手动调用张量操作，直接在模型链里完成维度转换，代码更简洁。

额外注意点 #

如果你的全连接层输出真的是严格的1D张量（比如单个样本的(64,)，没有batch维度），那需要先添加batch维度再处理：

# 假设fc_output是(64,)的1D张量
fc_output = tf.expand_dims(fc_output, axis=0)  # 变成(1, 64)
lstm_input = tf.expand_dims(fc_output, axis=1)  # 最终变成(1, 1, 64)

不过实际训练和推理中，我们一般都会用批量数据，所以更多是2D转3D的场景，上面两种主流方法足够解决问题啦。

内容的提问来源于stack exchange，提问作者kumar abhinav