数据为10个视频，每个视频分为86帧，每帧具有28 * 28像素，
video_num = 10
frame_num = 86
pixel_num = 28*28
我想使用Conv2D + LSDM构建模型，并在每个time_steps（= frame_num = 86）发送模型中的像素数据（= INPUT_SIZE = 28 * 28）。因此以下是我关于模型的代码
BATCH_SIZE = 2 (just try)
TIME_STEPS=frame_num (=86)
INPUT_SIZE=pixel_num (=28*28)
model = Sequential()
model.add(InputLayer(batch_input_shape=(BATCH_SIZE, TIME_STEPS,
INPUT_SIZE)))
print (model.output_shape)
model.add(TimeDistributed(Conv2D(64,(1,3),strides=(1,1), padding='same',
data_format='channels_last'))) ##always the error here
print (model.output_shape)
model.add(TimeDistributed(MaxPooling2D(pool_size=(2,2),padding='same')))
print (model.output_shape)
model.add(TimeDistributed(Conv2D(64,(1,3),strides=(1,1),
data_format='channels_last', padding='same')))
print (model.output_shape)
model.add(TimeDistributed(MaxPooling2D(pool_size=(2,2),padding='same')))
print (model.output_shape)
model.add(TimeDistributed(Flatten()))
print (model.output_shape)
model.add(TimeDistributed(Dense(4096, activation='relu')))
print (model.output_shape)
model.add(LSTM(100, stateful=True, return_sequences=True))
print (model.output_shape)
model.add(Dense(1, activation='sigmoid'))
print (model.output_shape)
下图显示了命令行中的错误
https://imgur.com/a/yAPQO说“列表索引超出范围”
我认为该错误与TimeDistributed（）中的输入形状有关，该形状从上层（InputLayer（））获取输入，但是我不知道如何解决该错误。我试图删除InputLayer（），并使用
TimeDistributed(Conv2D(...), input_shape=(TIME_STEPS, INPUT_SIZE))
作为第一层，但也得到相同的错误...
如果有人知道此错误，请分享您的想法，我将不胜感激。另外，我仍然不太清楚batch_input_shape和input_shape之间的区别，有人以前使用过这两个吗？谢谢。
阿Conv2D层需要四个维度，而不是三个：
(batch_size, height, width, channels)。 并且TimeDistributed将需要额外的尺寸：
(batch_size, frames, height, width, channels)因此，如果您真的要使用TimeDistributed+ Conv2D，则需要5个维度。你input_shape=(86,28,28,3)，或者你的batch_input_shape=(batch_size,86,28,28,3)，在这里我假设你有一个RGB视频（3个色通道）。
通常，您只需将输入形状传递给TimeDistributed。
model.add(TimeDistributed(Dense(....), input_shape=(86,28,28,3))
batch_input_shape仅在使用stateful=TrueLSTM的情况下才需要。然后，您只需将batch_input_shape替换为input_shape。
请注意，只有卷积2D图层才能看到高度和宽度方面的图像。添加LSTM时，将需要调整数据的形状以将高度，宽度和通道合并为一个维度。
对于形状（框架，h，w，ch）：
model.add(Reshape((frames,h*w*ch)))
而且，您不应TimeDistributed仅将这些LSTM与卷积层一起使用。
您的使用方法可以，model.add(TimeDistributed(Flatten()))而不需要重塑。
还要注意，Keras最近实现了ConvLSTM2D一层，这可能对您有用：https : //keras.io/layers/recurrent/#convlstm2d
本文收集自互联网，转载请注明来源。
如有侵权，请联系 [email protected] 删除。
我来说两句