Keras函数API:将CNN模型与RNN相结合，以查看图像序列

Question

因此，我遇到了一个问题，即如何在Keras中将CNN与RNN结合起来。在发布问题时，有人指出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一些东西，这让我回答了自己的问题。

原来的问题是：

如何在Keras中创建一个模型，该模型以图像序列作为输入，CNN‘查看’每个单独的图像，并将CNN输出的序列输入到RNN中？

更清楚地说：

模型一:一个只看单个图像的CNN。

模型二:在模型一的CNN输出序列上的RNN。

因此，例如，CNN应该看到5个图像，来自CNN的5个输出的序列应该传递到RNN。

输入数据格式如下：

(number_of_images，宽度，高度，通道)= (4000,120，60，1)

Answer 1

这个问题的答案如下。

以这个过于简化的CNN模型为例：

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.

然后是这个简单的RNN模型：

rnn = Sequential()

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

它应该连接到密集网络：

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

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

请注意，出于可读性的考虑，激活函数等已被省略。

现在剩下的就是组合这3个主要模型了。

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

然后最后

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

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