Keras ConvLSTM2D过滤器和输入通道：值错误：输入通道的数量与过滤器的相应尺寸不匹配，7！=1. 我试图在CARAS中建立卷积神经网络，它在中间包含卷积LSTM层（VultSTM2D），用于处理来自视频的灰度图像序列。每个帧形状是（61,61,1），它们的序列一起传递，因此总体输入是（num_movies，num_frames，frame_height，frame_width，1）。卷积层被预先训练以自动编码序列中的图像，所以剩下的就是训练循环LSTM层。当我只有一个过滤器时，网络工作正常。这是网络（除LSTM层之外的所有层都是时间分布的）。网络的目标是在给定当前帧的情况下预测视频中的未来帧（即，在序列中传递，将序列向前移动n帧）。我分别训练了卷积部分（autoencoder；参见下面的代码）来对单个帧进行自动编码，现在我正在尝试添加LSTM来进行序列预测 _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= time_distributed_1 (ZeroPad) (None, 34, 64, 64, 1) 0 _________________________________________________________________ time_distributed_2 (Conv2D) (None, 34, 64, 64, 16) 160 _________________________________________________________________ time_distributed_3 (MaxPool) (None, 34, 32, 32, 16) 0 _________________________________________________________________ time_distributed_4 (Conv2D) (None, 34, 32, 32, 8) 1160 _________________________________________________________________ time_distributed_5 (MaxPool) (None, 34, 16, 16, 8) 0 _________________________________________________________________ time_distributed_6 (Conv2D) (None, 34, 16, 16, 8) 584 _________________________________________________________________ time_distributed_7 (MaxPool) (None, 34, 8, 8, 8) 0 _________________________________________________________________ time_distributed_8 (Conv2D) (None, 34, 8, 8, 8) 584 _________________________________________________________________ time_distributed_9 (MaxPool) (None, 34, 4, 4, 8) 0 _________________________________________________________________ time_distributed_10 (Conv2D) (None, 34, 4, 4, 1) 73 _________________________________________________________________ rnn (ConvLSTM2D) (None, 34, 4, 4, 1) 36 _________________________________________________________________ time_distributed_11 (Conv2D) (None, 34, 4, 4, 4) 40 _________________________________________________________________ time_distributed_12 (UpSample) (None, 34, 8, 8, 4) 0 _________________________________________________________________ time_distributed_13 (Conv2D) (None, 34, 8, 8, 8) 296 _________________________________________________________________ time_distributed_14 (UpSample) (None, 34, 16, 16, 8) 0 _________________________________________________________________ time_distributed_15 (Conv2D) (None, 34, 16, 16, 8) 584 _________________________________________________________________ time_distributed_16 (UpSample) (None, 34, 32, 32, 8) 0 _________________________________________________________________ time_distributed_17 (Conv2D) (None, 34, 32, 32, 16) 1168 _________________________________________________________________ time_distributed_18 (UpSample) (None, 34, 64, 64, 16) 0 _________________________________________________________________ time_distributed_19 (Conv2D) (None, 34, 64, 64, 1) 145 _________________________________________________________________ time_distributed_20 (UpSample) (None, 34, 61, 61, 1) 0 ================================================================= Total params: 4,830 Trainable params: 36 Non-trainable params: 4,794 _________________________________________________________________

当ConvLSTM2D层中的过滤器数量为1时，一切都会运行。但是，当我尝试调整CONVLSM2D层中的过滤器数量时，我得到了错误：

ValueError:输入通道数与筛选器的相应维度不匹配，7！=1

其中7是我尝试使用的过滤器数量

这里我构建了自动编码器

autoencoder=Sequential（）
自动编码器。添加（零填充2D（（（2,1），（2,1）），输入_形状=图像_形状））#（61,61,1）-->（64,64,1）
自动编码器.add（Conv2D（16，（3,3），activation='relu'，padding='same'））#（64,64,1）-->（64,64,16）
自动编码器.add（MaxPooling2D（（2,2），padding='same'））#（64,64,16）-->（32,32,16）
自动编码器.add（Conv2D（8，（3,3），activation='relu'，padding='same'））#（32,32,16）-->（32,32,8）
自动编码器.add（MaxPooling2D（（2,2），padding='same'））#（32,32,8）-->（16,16,8）
自动编码器.add（Conv2D（8，（3,3），activation='relu'，padding='same'））#（16,16,8）-->（16,16,4）
自动编码器.add（MaxPooling2D（（2,2），padding='same'））#（16,16,4）-->（4,4,4）
自动编码器.add（Conv2D（8，（3,3），activation='relu'，padding='same'））#（16,16,8）-->（16,16,4）
自动编码器.add（MaxPooling2D（（2,2），padding='same'））#（16,16,4）-->（4,4,4）
自动编码器.add（Conv2D（1，（3,3），激活='relu'，填充='same'））#（4,4,4）-->（4,4,1）
#将低维表示解码回图像
model.add（Conv2D（4，（3,3），activation='relu'，padding='same'））#（4,4,1）-->（4,4,4）
自动编码器.添加（上采样2D（（2,2））#（4,4,4）->（16,16,4）
自动编码器.add（Conv2D（8，（3,3），activation='relu'，padding='same'））#（4,4,1）-->（4,4,4）
自动编码器.添加（上采样2D（（2,2））#（4,4,4）->（16,16,4）
自动编码器.add（Conv2D（8，（3,3），activation='relu'，padding='same'））#（16,16,4）-->（16,16,8）
自动编码器.添加（上采样2D（（2,2））#（16,16,8）->（32,32,8）
自动编码器.add（Conv2D（16，（3,3），activation='relu'，padding='same'））#（32,32,8）->（32,32,16）
自动编码器.添加（上采样2D（（2,2））#（32,32,16）->（64,64,16）
#希望使用sigmoid作为我们的最终激活函数，以使输出更为精确
自动编码器.add（Conv2D（1，（3,3），activation='sigmoid'，padding='same'））#（64,64,16）->（64,64,1）
自动编码器.添加（裁剪2D（（（2,1）、（2,1）））#（64,64,1）->（61,61,1）

构建自动编码器后，我将对其进行自动编码任务培训，并将其添加到LSTM层

num_layers=len（autoencoder.layers）
模型=顺序（）
对于范围内的i（num_layers//2）：
model.add（TimeDistributed（autoencoder.layers[i]））
out\u shape=autoencoder.layers[num\u layers//2-1]。输出\u shape
#卷积LSTM
num_filters=7
核_形=（2,2）
model.add（ConvLSTM2D（filters=num_filters，
内核大小=内核形状，
激活='tanh'，
“相同”，
return_sequences=True，
名称（='rnn'））
“简单的”
model.add（TimeDistributed（flatte（）））
模型。添加（简单n（rnn_尺寸，
return_sequences=True，
激活='tanh'，
名称（='rnn'））
#注意：由于RNN更改了编码部分中最后一个Conv2D层的输出大小，因此我们以某种方式
#将标注映射回下方。这就是下面致密层的作用
添加（时间分布（密集型（out_形状[1]*out_形状[2]，激活='relu'，名称='ff'））
model.add（时间分布（重塑（（out_形状[1]，out_形状[2]，1）））
'''
对于范围内的i（num\u layers//2，num\u layers）：
model.add（TimeDistributed（autoencoder.layers[i]））
#将非重现层设置为不可训练；我们已经把它们训练成自动编码器，所以RNN
#只需要学习如何在低维空间中移动物体
对于model.layers中的图层：
~如果不是（layer.name=='rnn'或layer.name=='ff'）：
layer.trainable=错误

当我将过滤器的数量更改为除一个之外的其他数量时，我会立即出现以下错误：

ValueError:输入通道数与过滤器的相应尺寸不匹配，7！=一,

我不明白为什么滤波器的数量必须与输入通道的数量挂钩？我们不能在同一个输入上使用多个过滤器，每个过滤器都有不同的内核吗

我尝试了一些常见的修复方法，比如设置“data\u format=channels\u last”