神经网络LSTM出现报错：Input 0 of layer lstm is incompatible with the layer expected ndim=3, found ndim=2

传递给LSTM的数据集只有两个维度，但是LSTM需要3D数据集。 因此，首先将数据集转换为3D，然后将其传递给LSTM。 您可以使用shape()函数检查数据的维度。

LSTM层期望输入的形状为(batch_size, timesteps, input_dim)。 在keras中，需要传递(timesteps, input_dim)作为input_shape参数。 通过为时间维度的input_shape添加额外的维度可以解决该问题。 例如，将额外的维度添加为值1可能是简单的解决方案。 为此，必须重塑输入数据集(X训练)和Y形状。 但这可能会带来问题，因为时间分辨率为1，并且您要按一个顺序输入长度。 使用长度为1的序列作为输入，使用LSTM似乎不是正确的选择。

x_train = x_train.reshape(-1, 1, 9)
x_test  = x_test.reshape(-1, 1, 9)
y_train = y_train.reshape(-1, 1, 5)
y_test = y_test.reshape(-1, 1, 5)

model = Sequential()
model.add(LSTM(100, input_shape=(1, 9), return_sequences=True))
model.add(LSTM(5, input_shape=(1, 9), return_sequences=True))
model.compile(loss="mean_absolute_error", optimizer="adam", metrics= ['accuracy'])

history = model.fit(X_train,y_train,epochs=100, validation_data=(X_test,y_test))

一般错误容易发生在GlobalMaxPooling1D和MaxPooling1D之后，这是因为LSTM层的期望输入形状与要求不符，可将LSTM增加至GlobalMaxPooling1D之前来解决问题

1.GlobalMaxPooling1D:
在steps维度（也就是第二维）对整个数据求最大值。
比如说输入数据维度是[10, 4, 10]，那么进过全局池化后，输出数据的维度则变成[10, 10]。

2.MaxPooling1D：
也是在steps维度（也就是第二维）求最大值。但是限制每一步的池化的大小。 比如，输入数据维度是[10, 4, 10]，池化层大小pooling_size=2，步长stride=1，那么经过MaxPooling(pooling_size=2, stride=1)后，输出数据维度是[10, 3, 10]。