小编jva*_*rio的帖子

我正在迈出学习深度学习的第一步。我正在尝试从视频的图像序列（帧）中进行活动识别。结果，我面临着训练程序的问题。

首先，我需要确定我的图像文件夹的架构：

Making Food -> p1 -> rgb_frame1.png,rgb_frame2.png ... rgb_frame200.png
Making Food -> p2 -> rgb_frame1.png,rgb_frame2.png ... rgb_frame280.png
                      ...
                      ...
                      ...
Taking  Medicine -> p1 -> rgb_frame1.png,rgb_frame2.png...rgbframe500.png

                      etc..
      

所以问题是每个文件夹可以有不同数量的帧，所以我对模型的输入形状和我应该使用的时间步长感到困惑。我正在创建一个模型（如下所示），其中包含时间分布的 CNN（预训练的 VGG16）和 LSTM，该模型将所有类别的所有帧与相应的标签作为输入（在上面的示例中，制作食物将是 p1_rgb_frame1 的相应标签）等）和的最终形状x_train是(9000,200,200,3)其中9000coresponds从所有类的所有帧，200是高度及宽度和3图像的信道。我正在重塑这些数据(9000,1,200,200,3)以用作模型的输入。我想知道并担心我没有通过正确的时间步长，结果是错误的训练，我有 val_acc ~ 98% 但是当使用不同的数据集进行测试时要低得多。你能提出另一种更有效的方法吗？

  x = base_model.output
  x = Flatten()(x)
  features = Dense(64, activation='relu')(x)
  conv_model = Model(inputs=base_model.input, outputs=features)    
  for layer in base_model.layers:
      layer.trainable = False
       
  model = Sequential()
  model.add(TimeDistributed(conv_model, input_shape=(None,200,200,3)))
  model.add(LSTM(32, return_sequences=True)) …