Question

因此，我对如何在Keras中将CNN与RNN结合存在一个疑问。在发布问题时，有人指出我这是解决问题的正确方法。显然，我只是忽略了原始代码中的某些内容，这使我回答了自己的问题。

原始问题如下：

您如何在Keras中创建一个模型，该模型以图像序列作为输入，而CNN会“查看”每个单独的图像，并将CNN输出的序列馈送到RNN中？

更清晰地说：

模型一：一个可查看单个图像的CNN。
模型二：一个RNN，位于模型一CNN输出的顺序上。

因此，例如CNN应该看到5张图像，并且CNN的5个输出的序列应该传递给RNN。

输入数据的格式如下：
（图片数，宽度，高度，通道数）=（4000，120，60，1）

Answer 1

这个问题的答案如下。

采用这种过于简化的CNN模型：

cnn = Sequential()
cnn.add(Conv2D(16, (50, 50), input_shape=(120, 60, 1)))

cnn.add(Conv2D(16, (40, 40)))

cnn.add(Flatten()) # Not sure if this if the proper way to do this.

然后有一个简单的RNN模型：

rnn = Sequential()

rnn = GRU(64, return_sequences=False, input_shape=(120, 60))

应连接到密集网络：

dense = Sequential()
dense.add(Dense(128))
dense.add(Dense(64))

dense.add(Dense(1)) # Model output

请注意，为了便于阅读，省略了激活功能等。

现在剩下的就是结合这三个主要模型。

main_input = Input(shape=(5, 120, 60, 1)) # Data has been reshaped to (800, 5, 120, 60, 1)

model = TimeDistributed(cnn)(main_input) # this should make the cnn 'run' 5 times?
model = rnn(model) # combine timedistributed cnn with rnn
model = dense(model) # add dense

然后终于

final_model = Model(inputs=main_input, outputs=model)

final_model.compile...
final_model.fit...

Keras功能API：将CNN模型与RNN结合起来以查看图像序列

1 个答案: