1. 从数据集加载图像

training_set = image_dataset_from_directory(      data_dir,      validation_split=0.3,      subset="training",      seed=123,      image_size=(img_height, img_width),      batch_size=batch_size,      label_mode='categorical',      color_mode='rgb',      shuffle=True,    )

2. 模型

num_classes = 10model = Sequential()model.add(ConvLSTM2D(filters=64, kernel_size=(3,3), activation='relu',                       input_shape=(10,img_height,img_width,3)))model.add(Dropout(0.2))model.add(Flatten())model.add(Dense(100, activation='relu'))model.add(Dense(num_classes, activation='softmax')) model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

3. model.fit_generator()

   model.fit_generator(generator=training_set,validation_data=testing_set,verbose=1,callbacks=callbacks,epochs=120)

回答：

ConvLSTM2D 期望输入为 5D tensor，形状为：(samples, time, rows, cols, channels)，主要用于时间序列、序列类型的数据。

对于图像分类，你需要将代码从：

model.add(ConvLSTM2D(filters=64, kernel_size=(3,3), activation='relu',                       input_shape=(10,img_height,img_width,3)))

更改为：

# 将 ConvLSTM2D 更改为 Conv2D，并从 input_shape 中移除 10model.add(Conv2D(filters=64, kernel_size=(3,3), activation='relu',                  input_shape=(img_height,img_width,3)))

另外，对于图像数据集，请使用 SparseCategoricalCrossentropy 作为损失函数。

model.compile(optimizer='adam',              loss=tf.keras.losses.SparseCategoricalCrossentropy(),              metrics=['accuracy'])

请参考此处以获取关于图像分类的详细了解。