即使定义了输入层，在运行model.summary时尚未构建模型

如何解决即使定义了输入层，在运行model.summary时尚未构建模型

我对ml来说还比较陌生，并且正在为视频分类建立CNN + LSTM模型，但是在尝试运行model.summary（）时遇到了错误。

关于模型本身的背景知识：我正在使用ImageDataGenerator传递（48、48、1）灰度图像，批处理大小为15。它是二进制分类（a或b）。

我在遇到model.summary（）错误时，尝试修复此错误时遇到了更多错误。

这是我的模型的代码：

fixed_point<8,8>

我收到的错误是：

此模型尚未构建。首先通过调用from tensorflow.keras import Sequential from tensorflow.keras.layers import * cnn = Sequential() num_timesteps = 2 # 1st conv layer cnn.add(Conv2D(64,(3,3),padding='same')) cnn.add(BatchNormalization()) cnn.add(Activation('relu')) cnn.add(MaxPooling2D(pool_size=(2,2))) cnn.add(Dropout(0.5)) # 2nd conv layer cnn.add(Conv2D(128,(5,5),2))) cnn.add(Dropout(0.5)) # 3rd conv layer cnn.add(Conv2D(512,2))) cnn.add(Dropout(0.5)) # 4th conv layer cnn.add(Conv2D(512,2))) cnn.add(Dropout(0.5)) # flatten cnn.add(Flatten()) # fully connected 1 cnn.add(Dense(256)) cnn.add(BatchNormalization()) cnn.add(Activation('relu')) cnn.add(Dropout(0.5)) #fully connected 2 cnn.add(Dense(512)) cnn.add(BatchNormalization()) cnn.add(Activation('relu')) cnn.add(Dropout(0.5)) model = Sequential() model.add(Reshape((1,48,1))) model.add(TimeDistributed(cnn,input_shape=(num_timesteps,1))) model.add(LSTM(num_timesteps,return_sequences=True)) model.add(Dropout(0.5)) model.add(Dense(1,activation='softmax')) #model.build(input_shape) model.summary() model.compile(loss='binary_crossentropy',optimizer='adam',metrics=['acc']) 或使用某些数据调用build()来构建模型，或者在第一层中指定一个fit()参数以进行自动构建。

我已经指定了模型的输入，所以我对为什么收到此错误感到困惑。

我尝试通过执行以下操作来修复此错误：

我已经添加了model.build（），但是稍后在尝试运行model.predict（）时，只会出现随后的错误。它指出“警告：tensorflow：没有传递到第一层的input_shape的顺序模型无法重新加载其优化器状态。结果，您的模型将从新初始化的优化器开始” 出现以下错误：

TypeError：传递给参数'input'的值的数据类型uint8不在允许的值列表中：float16，bfloat16，float32，float64，int32

我还尝试过移除可修复model.summary（）错误的重塑层，但是在运行model.fit（）时会给出不同的错误：

检查输入时出错：预期time_distributed_108_input具有5个维度，但数组的形状为（15，48，48，1）

我也很困惑为什么在这里出现错误，就像在查看模型输出中的输出形状时一样。总结，显然有5个维度（无，2、48、48、64）。据我了解，“ None”将替换为15的批量大小。

所以我对所有这些错误的理解是，通过使用model.summary（）中的input_shape修复第一个错误或通过model.fit（）中的错误修复，其余错误将得到修复

感谢您抽出宝贵的时间阅读本文档，对于解决这些错误的任何帮助将不胜感激！