Keras搭建LSTM模型遇输入形状不匹配ValueError问题求助

这个报错完全是输入层定义和数据集形状不匹配导致的，咱们一步步拆解问题并修正：

核心问题拆解 #

你的数据集形状是(11200, 5, 54)，对应：

• 样本数：11200
• 时间步长（timesteps）：5
• 每个时间步的特征数：54

但你在Input层里错误地把output_size=1当成了特征维度，写了：

inputs = Input(batch_shape=(batch_size, timesteps, output_size))

这导致模型期望每个样本的输入形状是(None, 1)，但实际你的样本是(5, 54)，自然会触发形状不匹配的报错。

另外还有两个隐藏的任务适配问题：

1. 你的目标是布尔向量（二元分类任务），却用了mae（均方误差）作为损失函数，这不符合任务类型；
2. LSTM设置了return_sequences=True，意味着它会输出每个时间步的结果（形状(batch_size, 5, 20)），但你的目标是每个样本对应一个输出(batch_size, 1)，两者形状不匹配。

修正步骤 #

1. 修正输入层定义 #

因为用了stateful=True，需要固定batch_size，所以Input层的batch_shape要严格对应你的数据集形状：

inputs = Input(batch_shape=(batch_size, 5, 54))  # 对应timesteps=5，特征数=54

如果不需要固定batch_size（可以去掉stateful，或者动态调整），也可以简化为input_shape=(5, 54)。

2. 调整LSTM的return_sequences参数 #

因为你的目标是每个样本输出一个布尔值，所以把return_sequences改成False，让LSTM只输出最后一个时间步的状态：

lay1 = LSTM(20, stateful=True, return_sequences=False)(inputs)

3. 修正输出层与损失函数 #

二元分类任务需要输出层添加sigmoid激活函数，损失函数改用binary_crossentropy，同时可以加上准确率指标方便评估：

output = Dense(units=output_size, activation='sigmoid')(lay1)
regressor.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

完整修正后的代码 #

from sklearn.model_selection import train_test_split
from tensorflow.keras.layers import Input, LSTM, Dense
from tensorflow.keras.models import Model

X_train, X_test, y_train, y_test = train_test_split(data, target, test_size=0.2, random_state=1)
batch_size = 32
timesteps = 5  # 对应数据集中的5个时间步
feature_size = 54  # 每个时间步的特征数
output_size = 1
epochs = 120

# 修正输入层
inputs = Input(batch_shape=(batch_size, timesteps, feature_size))
# 调整return_sequences为False，匹配单样本单输出的目标
lay1 = LSTM(20, stateful=True, return_sequences=False)(inputs)
# 输出层添加sigmoid激活，适配二元分类
output = Dense(units=output_size, activation='sigmoid')(lay1)

regressor = Model(inputs=inputs, outputs=output)
# 改用二元分类专用的损失函数
regressor.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
regressor.summary()

for i in range(epochs):
    print(f"Epoch: {i+1}/{epochs}")
    # 注意：stateful=True时，训练集样本数必须是batch_size的整数倍，否则会报错
    # 如果你的X_train样本数不满足，可以截断多余样本或者补全
    regressor.fit(X_train, y_train, shuffle=False, epochs=1, batch_size=batch_size)
    regressor.reset_states()

额外注意点 #

使用stateful=True时，训练集和测试集的样本数必须是batch_size的整数倍，否则会触发维度不匹配的错误。如果你的数据不满足这个条件，可以通过截断多余样本或者补全的方式处理。

内容的提问来源于stack exchange，提问作者user8530765