Python Tensorflow 2.0 Conv3D输入形状问题

我正在试着训练CNN的视频节目。我的输入_数据具有表示（n_采样、通道、帧、高度、宽度）的形状（5874、1、10、128、128）。误差为给定4个维度，但预期为5个维度或给定6个维度。管理Conv3D的正确方法是什么

将

Input（（1,10128128））

结果设置为：

ValueError:检查输入时出错：预期Input\u 1有5个维度，但得到了形状为（1,128,128,10）的数组

。但拟合后会产生误差

将

输入（（1,1,10128128））

结果设置为：

值错误：层conv3d_6的输入0与层不兼容：预期ndim=5，发现ndim=6。收到完整形状：[无、1、1、128、128、10]

执行模型后（安装前）

我已经浏览了所有可能的文档和论坛，但什么也没找到。任何提示都会有帮助

dataset = tf.data.Dataset.from_tensor_slices((data, labels)))
dataset = dataset.shuffle(10000)
train_dataset, valid_dataset = split_dataset(dataset, 0.02)


model = tf.keras.Sequential()
model.add(Input((1,10,128,128)))
model.add(Conv3D(filters = 8, kernel_size=(10,5,5), padding="same", activation="relu", data_format="channels_first"))
model.add(BatchNormalization())
model.add(Conv3D(filters = 8, kernel_size=(10,3,3), padding="same", activation="relu"))
model.add(BatchNormalization())
model.add(MaxPool3D(pool_size=(1,2,2), strides=(1,1,1)))

model.add(Conv3D(filters = 16, kernel_size=(5,5,5), padding="same", activation="relu"))
model.add(BatchNormalization())
model.add(Conv3D(filters = 16, kernel_size=(5,3,3), padding="same", activation="relu"))
model.add(BatchNormalization())
model.add(MaxPool3D(pool_size=(2,2,2), strides=(1,1,1)))

model.add(Conv3D(filters = 32, kernel_size=(5,5,5), padding="same", activation="relu"))
model.add(BatchNormalization())
model.add(Conv3D(filters = 32, kernel_size=(3,3,3), padding="same", activation="relu"))
model.add(BatchNormalization())
model.add(MaxPool3D(pool_size=(2,2,2), strides=(1,1,1)))

model.add(Flatten())
model.add(Dropout(0.2))
model.add(Dense(512, activation="relu"))
model.add(Dropout(0.2))
model.add(Dense(5, activation="softmax"))



model.compile(optimizer=tf.keras.optimizers.Adam(lr=0.01)  , loss="sparse_categorical_crossentropy", metrics=["accuracy"])
r = model.fit(train_dataset, verbose=1, validation_data=valid_dataset, epochs=50)

---

在模型中，Tensorflow在迭代数据的开头添加一个维度。所以输入应该只得到最后四个维度。但是

fit

需要5个。使用

Dataset.from_tensor_slices

后，必须使用

Dataset.batch

，否则拟合时会出错