将 CNN 连接到 RNN

Question

我想训练一个神经网络来分类简单的视频。 我的方法是使用 CNN，其 output 连接到 RNN (LSTM)。 我在尝试将两者连接在一起时遇到了一些麻烦。

X_train.shape
(2400, 256, 256, 3)

Y_train.shape
(2400, 6)

这是我定义的网络

model = Sequential()
model.add(Conv2D(32 , (3,3) , strides = 1 , padding = 'same' , activation = 'relu' , input_shape = (256,256,3)))
model.add(MaxPool2D((2,2) , strides = 2 , padding = 'same'))

model.add(Conv2D(64 , (3,3) , strides = 1 , padding = 'same' , activation = 'relu'))
model.add(MaxPool2D((2,2) , strides = 2 , padding = 'same'))

model.add(Conv2D(128 , (3,3) , strides = 1 , padding = 'same' , activation = 'relu'))
model.add(MaxPool2D((2,2) , strides = 2 , padding = 'same'))

model.add(Conv2D(256 , (3,3) , strides = 1 , padding = 'same' , activation = 'relu'))
model.add(MaxPool2D((2,2) , strides = 2 , padding = 'same'))

model.add(Flatten())

model.add(layers.LSTM(64, return_sequences=True, input_shape=(1,256)))

model.add(layers.LSTM(32, return_sequences=True))

model.add(layers.LSTM(32))

model.add(layers.Dense(6, activation='softmax'))

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

我收到以下错误

ValueError: Input 0 of layer lstm_7 is incompatible with the layer: expected ndim=3, found ndim=2. Full shape received: [None, 65536]

我感觉它与 RNN 的输入形状有关。 目的是让 CNN 获取帧的特征，然后 RNN 获取帧之间的高级差异。 用两个完全不同的网络来做这件事会更好吗？ 如果是这样，我该如何实现？ 还有一种方法可以用批量数据训练这两个网络，因为它非常大。

Answer 1

你说的很对。 在 tensorflow LSTM 中需要一个形状为(batch_size, time_steps, embedding_size)的输入，有关更多详细信息，请参见示例。 在您的情况下，请尝试使用model.add(Reshape((16, 16*256)))而不是model.add(Flatten()) 。 不是最漂亮的解决方案，但它可以让您测试事物。

Answer 2

问题是传递给 LSTM 的数据，它可以在您的网络内部解决。 它期望 3D 并且使用 Flatten 您正在摧毁它。 您可以采用两种可能性：1）进行重塑(batch_size, H, W*channel) ； 2) (batch_size, W, H*channel) 。 通过这种方式，您可以在 LSTM 中使用 3D 数据。 下面是一个例子

model = Sequential()
model.add(Conv2D(32 , (3,3) , strides = 1 , padding = 'same' , 
                 activation = 'relu' , input_shape = (256,256,3)))
model.add(MaxPool2D((2,2) , strides = 2 , padding = 'same'))

model.add(Conv2D(64 , (3,3) , strides = 1 , padding = 'same' , 
                 activation = 'relu'))
model.add(MaxPool2D((2,2) , strides = 2 , padding = 'same'))

model.add(Conv2D(128 , (3,3) , strides = 1 , padding = 'same' , 
                 activation = 'relu'))
model.add(MaxPool2D((2,2) , strides = 2 , padding = 'same'))

model.add(Conv2D(256 , (3,3) , strides = 1 , padding = 'same' , 
                 activation = 'relu'))
model.add(MaxPool2D((2,2) , strides = 2 , padding = 'same'))

def ReshapeLayer(x):
    
    shape = x.shape
    
    # 1 possibility: H,W*channel
    reshape = Reshape((shape[1],shape[2]*shape[3]))(x)
    
    # 2 possibility: W,H*channel
    # transpose = Permute((2,1,3))(x)
    # reshape = Reshape((shape[1],shape[2]*shape[3]))(transpose)
    
    return reshape

model.add(Lambda(ReshapeLayer))
model.add(LSTM(64, return_sequences=True))
model.add(LSTM(32, return_sequences=True))
model.add(LSTM(32))

model.add(Dense(6, activation='softmax'))

model.compile(loss='categorical_crossentropy', optimizer='adam', 
              metrics=['accuracy'])
model.summary()