Image processing ValueError：步幅的长度应为1、1或3，但为2

列车输入形状：（13974100,6,5）

列车输出形状：（13974,1,1）

测试输入形状：（3494100,6,5）

测试输出形状：（3494,1,1）

我正在开发以下模型。二维CNN-LSTM

model = Sequential()
model.add(TimeDistributed(Conv2D(1, (1,1), activation='relu', 
input_shape=(6,5,1))))
model.add(TimeDistributed(MaxPooling2D(pool_size=(6, 5))))
model.add(TimeDistributed(Flatten()))
model.add(LSTM(units=300, return_sequences= False, input_shape=(100,1)))
model.add(Dense(1))

当我试着去适应的时候，如下所示

model.fit(train_input,train_output,epochs=50,batch_size=60)

这给了我一个错误

ValueError：步幅的长度应为1、1或3，但为2

---

请纠正我的型号。我正在将6,5图像转换为一个单位，并从100个时间戳预测第101个时间戳。

您的问题很不清楚，但我相信您有大小为6 x 5的100个图像序列。最好将

Conv3D

合并到您的用例中，而且也没有必要将

时间分布到任何地方。这只是您用例的一个示例，您可能需要添加更多的
Conv
和
MaxPool
层，并尝试其他超参数以获得良好的拟合效果

# Add the channel dimension in input
train_input = np.expand_dims(train_input, -1)
# Remove the extra dimension in output
train_output = np.reshape(train_output, (-1, 1))

model = Sequential()
model.add(Conv3D(1, (1,1,1), activation='relu', input_shape=(100, 6,5, 1)))
model.add(MaxPooling3D(pool_size=(6, 5, 1)))
model.add(Reshape((16, 5)))
model.add(LSTM(units=300, return_sequences= False))
model.add(Dense(1))

你的问题很不清楚，但我相信你有100张大小为6 x 5的图片。最好将
Conv3D
合并到您的用例中，而且也没有必要将
时间分布到任何地方。这只是您用例的一个示例，您可能需要添加更多的
Conv
和
MaxPool
层，并尝试其他超参数以获得良好的拟合效果

# Add the channel dimension in input
train_input = np.expand_dims(train_input, -1)
# Remove the extra dimension in output
train_output = np.reshape(train_output, (-1, 1))

model = Sequential()
model.add(Conv3D(1, (1,1,1), activation='relu', input_shape=(100, 6,5, 1)))
model.add(MaxPooling3D(pool_size=(6, 5, 1)))
model.add(Reshape((16, 5)))
model.add(LSTM(units=300, return_sequences= False))
model.add(Dense(1))

感谢您的回复，我正在制作一个模型，从6*5图像的100个时间戳预测并输出到6*1，我将最后一个密度更改为密度（6）lstm是否获得100个时间戳的输入并预测输出。感谢您的回复，我正在制作一个模型，从6*5图像的100个时间戳预测并输出到6*1。我将最后一个密度更改为密度（6）lstm是否获得100个时间戳的输入并预测输出。