ValueError：检查输入时出错：预期time_distributed_55_input具有5个维，但数组的形状为10，48，48，1

如何解决ValueError：检查输入时出错：预期time_distributed_55_input具有5个维，但数组的形状为10，48，48，1

我是ml / ai的新手，我正在尝试构建cnn + lstm，但正在为lstm的形状而苦苦挣扎。我正在使用ImageDataGenerator以批处理大小为10传递48 x 48灰度图像。它是二进制分类（a或b）。图像本身就是视频的帧，我试图通过这些帧来更好地理解帧的顺序，因为它与整个视频的预测有关。 cnn本身可以工作，但是当我添加lstm时出现错误。

这是我的代码：

cnn = Sequential()

num_timesteps = 2

# 1st conv layer
cnn.add(Conv2D(64,(3,3),padding='same',input_shape=(48,48,1)))
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),padding='same'))
cnn.add(BatchNormalization())
cnn.add(Activation('relu'))
cnn.add(MaxPooling2D(pool_size=(2,2)))
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(TimeDistributed(cnn,input_shape=(None,1)))
model.add(LSTM(num_timesteps))
model.add(Dropout(0.2)) 
model.add(Dense(1,activation='sigmoid'))

model.compile(loss='binary_crossentropy',optimizer='adam',metrics=['acc'])

我运行model.fit时发生的错误是：

ValueError：检查输入时出错：预期time_distributed_56_input具有5个维，但数组的形状为（10，48，48，1）

我尝试将时间步数添加到维度中，但这似乎不起作用。

我不确定自己在做什么错

任何帮助将不胜感激！

解决方法

您可以放置​​一个重塑图层，然后更改输入形状：

model.add(Reshape((1,48,1)))
model.add(TimeDistributed(cnn,input_shape=(1,1)))

完整的示例：

import os
os.environ['CUDA_VISIBLE_DEVICES'] = '-1'
from tensorflow.keras import Sequential
from tensorflow.keras.layers import *
import numpy as np


cnn = Sequential()

num_timesteps = 2

# 1st conv layer
cnn.add(Conv2D(8,(3,3),padding='same',input_shape=(48,1)))
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(8,(5,5),padding='same'))
cnn.add(BatchNormalization())
cnn.add(Activation('relu'))
cnn.add(MaxPooling2D(pool_size=(2,2)))
cnn.add(Dropout(0.5))

# 3rd conv layer
cnn.add(Conv2D(8,2)))
cnn.add(Dropout(0.5))

# 4th conv layer
cnn.add(Conv2D(8,2)))
cnn.add(Dropout(0.5))

# flatten
cnn.add(Flatten())

# fully connected 1
cnn.add(Dense(8))
cnn.add(BatchNormalization())
cnn.add(Activation('relu'))
cnn.add(Dropout(0.5))

#fully connected 2
cnn.add(Dense(8))
cnn.add(BatchNormalization())
cnn.add(Activation('relu'))
cnn.add(Dropout(0.5))


model = Sequential()
model.add(Reshape((1,1)))
model.add(LSTM(num_timesteps))
model.add(Dropout(0.2))
model.add(Dense(1,activation='sigmoid'))

model.compile(loss='binary_crossentropy',optimizer='adam',metrics=['acc'])

model.fit(np.random.rand(100,1),np.random.rand(100))