我在尝试使用keras函数式API构建一个多输入多输出的模型，并按照他们的代码进行操作，但遇到了以下错误：

ValueError: Input 0 is incompatible with layer lstm_54: expected ndim=3, found ndim=4

我在创建lstm_out层时遇到了这个错误，以下是代码：

def build_model(self):    main_input = Input(shape=(self.seq_len, 1), name='main_input')    #seq_len = 50, vocab_len = 1000    x = Embedding(output_dim=512, input_dim=self.vocab_len()+1, input_length=self.seq_len)(main_input)    # A LSTM will transform the vector sequence into a single vector,    # containing information about the entire sequence    lstm_out = LSTM(50)(x)    self.auxiliary_output = Dense(1, activation='sigmoid', name='aux_output')(lstm_out)    auxiliary_input = Input(shape=(self.seq_len,1), name='aux_input')    x = concatenate([lstm_out, auxiliary_input])    # We stack a deep densely-connected network on top    x = Dense(64, activation='relu')(x)    x = Dense(64, activation='relu')(x)    x = Dense(64, activation='relu')(x)    # And finally we add the main logistic regression layer    main_output = Dense(1, activation='sigmoid', name='main_output')(x)    self.model = Model(inputs=[main_input, auxiliary_input], outputs=[main_output, auxiliary_output])    print(self.model.summary())    self.model.compile(optimizer='rmsprop', loss='binary_crossentropy',              loss_weights=[1., 0.2])

我原本以为问题出在Embedding层的input_dim上，但我查看了keras Embedding文档，发现(input_dim应该等于词汇量大小 + 1)。

我不知道为什么会出现这个错误，我的input_dim具体哪里出了问题，以及如何解决它？

回答：

Embedding层的输入形状应该是二维张量，形状为：(batch_size, sequence_length)。在你的代码片段中，main_input是一个三维张量。要解决这个问题，请更改以下代码行：

main_input = Input(shape=(self.seq_len, 1), name='main_input')<...>auxiliary_input = Input(shape=(self.seq_len,1), name='aux_input')

为：

main_input = Input(shape=(self.seq_len, ), name='main_input')<...>auxiliary_input = Input(shape=(self.seq_len, ), name='aux_input')

这应该能解决不同维度的问题