Keras实现LSTM多分类时遇输入维度错误求助

问题根源：LSTM的输入形状要求 #

Keras中的LSTM层对输入有严格的三维结构要求：(samples, time_steps, features)，而你目前加载的输入数据X是二维的(1007, 5)（样本数×特征数），和LSTM的预期不匹配，这就是输入维度错误的核心原因。

分步解决方法 #

1. 调整输入数据的维度 #

根据你的数据描述（每个样本包含5个特征），我们可以把每个样本看作单时间步的序列，给X增加一个时间步维度，将其从二维转换成三维：

# 在load_data函数中，获取X后添加这行代码
X = X.reshape(X.shape[0], 1, X.shape[1])
# 调整后X的形状会变成(1007, 1, 5)，完全符合LSTM的输入要求

如果你的数据是时序类型（比如5个特征是连续5个时间步的单特征观测），那需要调整为(1007, 5, 1)，不过根据你的描述，前者更贴合你的场景。

2. 正确处理多分类标签 #

多分类问题不能直接使用原始的类别编号作为标签，需要转换成one-hot编码，否则模型无法正确计算损失：

# 先导入必要工具
from keras.utils import to_categorical

# 在load_data函数中处理Y：
Y = dataset[:,5].astype(int)
# 注意：如果你的类别编号是1-12，必须先转成0-11的索引（Keras要求标签从0开始）
if Y.min() == 1:
    Y = Y - 1
# 转换成one-hot编码，指定类别数为12
Y = to_categorical(Y, num_classes=12)

转换后Y的形状会是(1007, 12)，和最后一层Dense的输出维度完全匹配。

3. 修正模型的输入层定义 #

在create_model函数中，输入层要严格匹配调整后的三维输入形状（不需要指定样本数，Keras会自动识别）：

from keras.models import Sequential
from keras.layers import LSTM, Dense

def create_model(X):
    model = Sequential()
    # input_shape参数只需要指定(time_steps, features)
    model.add(LSTM(units=32, input_shape=(X.shape[1], X.shape[2])))
    # 多分类任务必须用softmax激活，输出单元数等于类别数12
    model.add(Dense(12, activation='softmax'))
    # 损失函数对应one-hot标签，选择categorical_crossentropy
    model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
    return model

4. 调试验证 #

每次调整后打印数据形状，确认是否符合预期：

X, Y = load_data()
print("调整后X的形状:", X.shape)  # 预期输出：(1007, 1, 5)
print("调整后Y的形状:", Y.shape)  # 预期输出：(1007, 12)

这样修改后，输入维度不匹配的问题应该就能顺利解决了。

内容的提问来源于stack exchange，提问作者Eshaal