TensorFlow时间序列模型训练报错：仅允许一个输入维度为-1

错误原因分析 #

这个错误本质是模型构建时输入维度未明确固定，导致Flatten层在计算图阶段无法推断出确定的扁平化后维度。尽管你已验证数据集的输入形状为(64,120,14)，但如果模型的输入层未指定固定的时间步和特征数，TensorFlow会将输入维度视为动态（None），进而在Flatten操作时出现维度推断冲突。

解决方案 #

1. 显式指定模型输入层的形状 #

在构建模型时，必须通过Input层明确固定除batch维度外的输入形状（即(120,14)），示例代码如下：

import tensorflow as tf

model = tf.keras.Sequential([
    tf.keras.layers.Input(shape=(120, 14)),  # 固定时间步120、特征数14
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(1)  # 根据你的预测任务调整输出维度
])

model.compile(optimizer='adam', loss='mse')
model.fit(train_dataset, validation_data=valid_dataset, epochs=10)

2. 改用Reshape层显式重塑维度 #

如果Flatten层的自动推断仍有问题，可以用Reshape层直接将(120,14)转为一维向量，彻底避免维度推断冲突：

model = tf.keras.Sequential([
    tf.keras.layers.Input(shape=(120, 14)),
    tf.keras.layers.Reshape((120*14,)),  # 显式计算扁平化后的维度
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(1)
])

3. 验证数据集的元素规格 #

确认数据集返回的输入确实没有动态维度，执行以下代码查看数据集的元素结构：

print(train_dataset.element_spec)

正常输出应类似：

(TensorSpec(shape=(None, 120, 14), dtype=tf.float32, name=None), TensorSpec(shape=(None,), dtype=tf.float32, name=None))

如果输入的形状中除了batch维度（第一个None）外还有其他None，说明数据集生成时可能存在维度不一致的样本，需要检查timeseries_dataset_from_array的参数设置（比如sequence_length、sequence_stride是否正确）。

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