ValueError: Found array with dim 3. MinMaxScaler expected <= 2.

`MinMaxScaler`是`sklearn.preprocessing`中的标准化类，用于将数据缩放到给定范围内。但是，`MinMaxScaler`只能处理维度为1或2的数组，当输入的数组维度大于2时，就会报错`ValueError: Found array with dim 3. MinMaxScaler expected <= 2.`。

解决这个问题的方法是，将多维数组降维为二维数组，然后使用`MinMaxScaler`进行标准化。具体实现代码如下：

from sklearn.preprocessing import MinMaxScaler

# 假设输入数据的数组为X
n_samples, n_features, n_depth = X.shape
X_2d = X.reshape((n_samples, n_features * n_depth))

scaler = MinMaxScaler()
X_scaled = scaler.fit_transform(X_2d)

# 将标准化后的二维数组再转换回多维数组
X_scaled_3d = X_scaled.reshape((n_samples, n_features, n_depth))

其中，`reshape`函数将多维数组转换为二维数组，`fit_transform`函数对二维数组进行标准化处理，然后再使用`reshape`函数将标准化后的二维数组转换为多维数组。

需要注意的是，使用`MinMaxScaler`进行标准化时，需要保证训练集和测试集在同一尺度下进行标准化。可以先对训练集进行标准化处理，然后直接使用训练集的标准化器对测试集进行标准化。具体实现如下：

n_samples_train, _, _ = X_train.shape
n_samples_test, _, _ = X_test.shape

X_train_2d = X_train.reshape((n_samples_train, n_features * n_depth))
X_test_2d = X_test.reshape((n_samples_test, n_features * n_depth))

scaler = MinMaxScaler()
X_train_scaled = scaler.fit_transform(X_train_2d)
X_test_scaled = scaler.transform(X_test_2d)

X_train_scaled_3d = X_train_scaled.reshape((n_samples_train, n_features, n_depth))
X_test_scaled_3d = X_test_scaled.reshape((n_samples_test, n_features, n_depth))

其中，`X_train`和`X_test`分别为训练集和测试集的输入数据，其他变量的含义与之前相同。