Python 迁移学习，添加Keras LSTM层（热狗，而不是使用二进制交叉熵的热狗）

训练特征shape（1032,5,5122880）进入LSTM层。这会产生“ValueError:输入0与层lstm_16不兼容：预期ndim=3，发现ndim=2”

1032是训练样本数

5x5x122880是培训样本的瓶颈功能

model = Sequential()
    model.add(CuDNNLSTM(2048,input_shape=train_final_model.shape[:1))
model.add(Dense(2, activation='sigmoid'))

似乎Keras ValueError告诉我，在通过LSTM层运行之前，我应该重塑训练瓶颈特性。但这样做：

training_bottlenecked_features = np.reshape(train_final_model, (1032,25,122880))
print(training_bottlenecked_features.shape)
final_model.add(LSTM(2,input_shape=training_bottlenecked_features.shape[:1]))

结果如下：

（1032122880）

ValueError:输入0与层lstm_23不兼容：预期ndim=3，发现ndim=2

---

我已经在其他几个组合中使用了输入，所以我觉得我可能遗漏了Keras LSTM文档中的一些基本内容：感谢您提供的任何见解。

事实证明，LSTM和RNN依赖于使用Keras.layers.TimeDistributed。这需要最低限度地重新构造培训和验证标签尺寸（例如，使用np.expand_dims（）

如果使用TimeDistributed来包装整个顺序流，则可能还需要重塑培训和验证数据

此处的对话框有助于回顾反复出现的网络体系结构差异：

回想起来，我希望我能在这里开始阅读：