模型的目标是对视频输入进行分类，分类依据是视频中发出的单词。每个输入的维度为45帧，1个灰度颜色通道，100像素行和150像素列（45, 1, 100, 150），而每个对应的输出是一个三种可能单词之一的独热编码表示（例如，“yes” => [0, 0, 1]）。

在编译模型时，出现了以下错误：

ValueError: Dimensions must be equal, but are 1 and 3 for 'Conv2D_94' (op: 'Conv2D') with input shapes: [?,100,150,1], [3,3,3,32].

以下是用于训练模型的脚本：

video = Input(shape=(self.frames_per_sequence,                     1,                     self.rows,                     self.columns))cnn = InceptionV3(weights="imagenet",                  include_top=False)cnn.trainable = Falseencoded_frames = TimeDistributed(cnn)(video)encoded_vid = LSTM(256)(encoded_frames)hidden_layer = Dense(output_dim=1024, activation="relu")(encoded_vid)outputs = Dense(output_dim=class_count, activation="softmax")(hidden_layer)osr = Model(, outputs)optimizer = Nadam(lr=0.002,                  beta_1=0.9,                  beta_2=0.999,                  epsilon=1e-08,                  schedule_decay=0.004)osr.compile(loss="categorical_crossentropy",            optimizer=optimizer,            metrics=["categorical_accuracy"]) 

回答：

根据Keras中的Convolution2D，输入和滤波器的形状应该如下所示。

shape of input = [batch, in_height, in_width, in_channels]shape of filter = [filter_height, filter_width, in_channels, out_channels]

因此，您遇到的错误的含义是 –

ValueError: Dimensions must be equal, but are 1 and 3 for 'Conv2D_94' (op: 'Conv2D') with input shapes: [?,100,150,1], [3,3,3,32].

[?,100,150,1]表示in_channels的值为1，而[3,3,3,32]表示in_channels的值为3。这就是您得到错误的原因 – Dimensions must be equal, but are 1 and 3。

因此，您可以将滤波器的形状更改为[3, 3, 1, 32]。