Keras 检查输入时出错：预期时间\u分布\u 136\u输入有5个维度，但得到了形状为（16、128、128、3）的数组

我正在用LSTM训练CNN，在那里我使用时间分布，但显然它需要额外的数据维度。我不知道如何添加它。 我的想法是，问题出在ImageGenerator中，但我不知道如何重塑由它生成的图像

cnn_model = Sequential()

cnn_model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(128,128,3)))
cnn_model.add(MaxPooling2D(pool_size=(2, 2)))

cnn_model.add(Conv2D(32, (3, 3), activation='relu'))
cnn_model.add(MaxPooling2D(pool_size=(2, 2)))

cnn_model.add(Conv2D(64, (3, 3), activation='relu'))
cnn_model.add(MaxPooling2D(pool_size=(2, 2)))

cnn_model.add(Conv2D(128, (3, 3), activation='relu'))
cnn_model.add(MaxPooling2D(pool_size=(2, 2)))
cnn_model.add(Flatten())

model = Sequential()
model.add(TimeDistributed(cnn_model, input_shape=(16, 128, 128,3)))
model.add(LSTM(128, return_sequences=True, dropout=0.5))
# model.add(Dropout(0.2)) #added
model.add(Dense(4, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
batch_size = 16


train_datagen = ImageDataGenerator(rescale=1. / 255)
test_datagen = ImageDataGenerator(rescale=1./255)


train_generator = train_datagen.flow_from_directory(
        'train/',  # this is the target directory
        target_size=(128,128),  
        batch_size=batch_size,
        class_mode='categorical',
        shuffle=True,
        classes=['class_0', 'class_1','class_2','class_3'])

validation_generator = test_datagen.flow_from_directory(
        'test/',
        target_size=(128,128),  
        batch_size=batch_size,
        class_mode='categorical',
        shuffle=True,
        classes=['class_0', 'class_1','class_2','class_3'])
model.fit_generator(
        train_generator,
        steps_per_epoch=47549 // batch_size,
        epochs=5,
        validation_data=validation_generator,
        validation_steps=5444 // batch_size)

但是我得到了下面的错误信息

ValueError: Error when checking input: expected time_distributed_136_input to have 5 dimensions, but got array with shape (16, 128, 128, 3)

数据文件夹如下：

-- train -- class 0 -- vid 1 -- frame1.jpg -- frame2.jpg -- frame3.jpg -- class 1 -- frame1.jpg -- frame2.jpg -- frame3.jpg -- class 2 -- class 3 -- test (same as train) --训练 --0级 --视频1 --frame1.jpg --frame2.jpg --frame3.jpg --第一类 --frame1.jpg --frame2.jpg --frame3.jpg --第二类 --第三类 --试验 （与列车相同）

---

谢谢您的帮助。

我想您的问题出在您的

型号上。在
模型中，您将
TimeDistributed
的输入形状定义为
input\u-shape=（16，128，128，3）
，我想应该是
input\u-shape=（128，128，3）

更改此行：

model.add(TimeDistributed(cnn_model, input_shape=(16, 128, 128,3)))

致：

我希望它能起作用。
你正在模糊每个张量的第一维，也就是批量大小。除非绝对必要，否则不定义批次大小，因此输入形状不考虑它。p>
定义
input\u shape=（16128128,3）
时，这意味着数据必须有五个维度：
（示例16、128、128,3）

数据中缺少示例维度

如果你说它们是电影，你应该有像
（电影、帧、高度、宽度、频道）
这样的数据。然后这将被
input\u shape=（帧、高度、宽度、通道）
接受
 经过几次试验后，我最终使用了相同的代码，但使用了Keras“ImageDataGenerator”类的一个经过调整的版本，为数据添加了一个额外的维度，使其成为5D。
（这也适用于Conv3D的使用）

对于面临相同问题的任何人，您都可以找到我的ImageDataGenerator类的调整版本

它与主Keras ImageDataGenerator相同，但我添加了一个选项，可以在每次迭代中获取多个图像/帧。这是通过更改参数frames\u per\u step来指定要包含在每次迭代中的帧数/图像数

下面是如何使用它：

from tweaked_ImageGenerator_v2 import ImageDataGenerator
datagen = ImageDataGenerator()
train_data=datagen.flow_from_directory('path/to/data', target_size=(x, y), batch_size=32, frames_per_step=4)
从调整的_ImageGenerator_v2导入ImageDataGenerator
datagen=ImageDataGenerator（）
train_data=datagen.flow_from_directory（'path/to/data'，target_size=（x，y），batch_size=32，frames_per_step=4）为什么要将输入传递到TimeDistributed，而不是直接传递到LSTM？为什么定义两个顺序模型而一个就足够了？我想为视频分类制作一个堆叠的CNN层，而这两个顺序模型并不构成问题。为什么要将
TimeDistributed
的输入形状确定为
input\u shape=（16,128,128,3）
而不仅仅是
TimeDiinput\u shape=（128,128,3）
？不，这是不对的。请查查原因？问题出在哪里？我的答案完全是根据文档给出的。下面是文档中的代码：model=Sequential（）model.add（TimeDistributed（Conv2D（64，（3，3）），input_shape=（10299299，299，3）），是的，我试过了，它给出了一个错误：那么你能发布这个新错误吗。也许你的问题解决了，而现在你又面临新的问题。谢谢，我得到了你的答案，但我不知道如何解决这个问题，也不知道要改变什么。这是否意味着改变数据的组织方式？你的形状是什么？每个批次的帧数是多少？好的，那么一切都是正确的，你只需要多部电影。（你可以证明这一点）
from tweaked_ImageGenerator_v2 import ImageDataGenerator
datagen = ImageDataGenerator()
train_data=datagen.flow_from_directory('path/to/data', target_size=(x, y), batch_size=32, frames_per_step=4)