有 2550 張圖像作為訓練集，1530 張圖像作為測試集。為了將這些圖像分為兩類，使用了混合深度學習模型，但在運行代碼期間出現(xiàn)錯誤，如下所示。我想知道是否有人幫助我了解錯誤原因。謝謝錯誤：檢查輸入時：預期 conv_lst_m2d_39_input 有 5 個維度，但得到形狀為 (32, 64, 64, 3) 的數(shù)組 # importing libraries from keras.models import Sequential from keras.layers import Convolution2D from keras.layers import MaxPooling2D from keras.layers import Flatten from keras.layers import Dense import tensorflow as tf from keras.layers.convolutional_recurrent import ConvLSTM2D from keras.layers.normalization import BatchNormalization #Data_Prprocessing from keras.preprocessing.image import ImageDataGenerator train_datagen = ImageDataGenerator( rescale=1./255, shear_range=0.2, zoom_range=0.2, horizontal_flip=True) test_datagen = ImageDataGenerator(rescale=1./255) training_set = train_datagen.flow_from_directory( 'D:\\thesis\\Paper 3\\Feature Extraction\\two_dimension_Feature_extraction\\stft_feature\\Training_set', target_size=(64, 64), batch_size=32, class_mode='binary') test_set = test_datagen.flow_from_directory( 'D:\\thesis\\Paper 3\\Feature Extraction\\two_dimension_Feature_extraction\\stft_feature\\Test_set', target_size=(64, 64), batch_size=32, class_mode='binary') #initializing the CNN classifier = Sequential() classifier.add(ConvLSTM2D(filters=40, kernel_size=(3, 3),input_shape=(None, 64, 64, 3), padding='same', return_sequences=True)) classifier.add(BatchNormalization()) 新錯誤：
1 回答
桃花長相依
TA貢獻1860條經(jīng)驗 獲得超8個贊
我認為問題在于卷積 LSTM 層需要圖像的時間序列，因此它必須具有 5 個維度，包括批量維度，因此形狀為(B, T, H, W, C)。您已將輸入形狀（忽略批量維度）定義為(None, 64, 64, 3)，因此您需要輸入形狀為 的批量張量(batch, timesteps, 64, 64, 3)。
另外，我認為fit_generator()不贊成將生成器傳遞給fit().
編輯：如果您有視頻流中的一系列幀，您可以將它們堆疊到一個多維的數(shù)組中。您必須以正確的順序從目錄中手動獲取圖像，然后創(chuàng)建一個數(shù)據(jù)迭代器：
images = <ordered list of 3-D numpy arrays>
img_seq = np.stack(images, axis=0)
# Do the above for each sequence of images in the training data to get N sequences
sequences = <list of sequences of images of length N>
labels = <array of labels of length N>
train_data = tf.data.Dataset.from_tensor_slices((sequence, labels))
train_data = train_data.shuffle(1000).batch(batch_size)
# Do similar for test data
然后您可以使用tf.data.Datasetin fit()：
model.fit(train_data, validation_data=test_data)
添加回答
舉報
0/150
提交
取消