Keras输入值错误排查：ECG张量数据基础分类模型问题

首先咱们先揪出问题的核心：你的输入是3D张量（样本数，时间步，特征数），但直接堆叠Dense层后，模型输出的维度和你的独热编码标签完全不匹配，这就是报错的最可能原因。

常见错误点拆解 #

你的输入形状是(15000,1)（对应单特征的15000个时间步），当你直接添加Dense(16, activation='relu')时，Keras会对每个时间步的特征单独做全连接计算。所以第一层输出形状是(None, 15000, 16)，第二层输出还是(None, 15000, 16)——如果此时直接接分类输出层，输出会变成(None, 15000, 5)，而你的标签是(None,5)，维度完全对不上，自然会抛出输入不兼容的错误。

修正后的模型实现 #

你需要在中间Dense层之后，把3D的序列数据压缩成2D（样本数，特征数），再连接最终的分类层。这里给你两种常用的实现方式：

方式1：全局平均池化（推荐，更不容易过拟合） #

全局平均池化会对每个时间步的特征取平均值，把序列压缩成固定维度的特征向量：

from tensorflow import models, layers

def build_model():
    model = models.Sequential()
    # 输入形状匹配你的(时间步, 特征数)
    model.add(layers.Dense(16, activation='relu', input_shape=(X_train.shape[1], X_train.shape[2])))
    model.add(layers.Dense(16, activation='relu'))
    # 把(None, 15000, 16)压缩成(None, 16)
    model.add(layers.GlobalAveragePooling1D())
    # 输出层：5分类用softmax，输出形状(None,5)完美匹配标签
    model.add(layers.Dense(5, activation='softmax'))
    
    # 别忘了编译模型
    model.compile(optimizer='adam',
                  loss='categorical_crossentropy',
                  metrics=['accuracy'])
    return model

方式2：扁平化（简单直接，但参数过多易过拟合） #

把整个序列直接展开成一维特征向量：

def build_model():
    model = models.Sequential()
    model.add(layers.Dense(16, activation='relu', input_shape=(X_train.shape[1], X_train.shape[2])))
    model.add(layers.Dense(16, activation='relu'))
    # 把(None,15000,16)转成(None,240000)
    model.add(layers.Flatten())
    model.add(layers.Dense(5, activation='softmax'))
    
    model.compile(optimizer='adam',
                  loss='categorical_crossentropy',
                  metrics=['accuracy'])
    return model

额外必查项 #

• 确认你的X_train确实是3D张量（形状为(2464,15000,1)），如果不小心转成了2D（比如(2464,15000)），那input_shape应该改成(15000,)，否则也会触发输入错误。
• 确认编译模型时用的损失函数是categorical_crossentropy（因为你的标签是独热编码格式），如果是整数类型的标签才用sparse_categorical_crossentropy。

内容的提问来源于stack exchange，提问作者Florida Man