我有成千上萬的視頻，他們每個人包括固定幀數是35 我嘗試通過訓練LSTM模型進行分類的視頻。但我不確切知道人們如何保持視頻的順序結構並訓練LSTM模型。結構
所以我想要做的是;
Keras中的fit功能被高度使用。然而我不知道我怎麼能保持影像的順序結構，而我在爲擬合函數的內存讀取所有數據。
rm.model.fit(X,y,batch_size=batch_size, validation_data=(X_test, y_test),verbose=1, epochs=100)
可能有人請我解釋人們如何培養具有視頻LSTM模型（N幀數）
我希望我可以清楚地解釋一下。
在此先感謝
從documentation，我們可以看到，所有Keras復發層所期望的輸入形狀是：
(None, TimeSteps, DataDimension)
在Keras形狀，None是你有實例的個數。
所以，在第一個簡單的方法，你必須有你的訓練數據形如：
(NumberOfVideos, NumberOfFrames, height * width * channels)
而你的第一層（如果第一層是LSTM）應該使用：
LSTM(AnyNumberOfCells, input_shape=(NumberOfFrames, height * width * channels))
批量大小（實例的數量）當您創建的模型從來沒有考慮，只出現在你的訓練數據，這就是爲什麼Keras顯示None在消息該維度。
現在，這是一個非常簡單和直觀的方式開始，但實際上，沒有塑造這樣的訓練數據的義務，你可以嘗試各種方式，只要一個你保持對LSTM將您的數據定爲(BatchSize,TimeSteps,DataDimension)。一個很好的方式來做到這一點（在我看來），首先要做一些卷積來減少數據大小，然後再將它送入LSTM。尺寸「高度*寬度*通道」在LSTM層中一次處理可能太多了，並且可能會導致內存問題。
如果你有記憶問題。你可以學習「發電機」或Keras Sequences。這些將與方法fit_generator()一起使用。 Keras將首先使用發生器讀取有限數量的數據，並僅使用該數據進行訓練。但是，你將不得不讓這些發電機以相同的格式輸出東西(ASmallerNumberOfVideos, NumberOfFrames, height * width * channels)。
現在，如果即使這樣你仍然有內存問題，你將不得不開始使用stateful=True層。
在這種情況下，「TimeSteps」可能會在不同的陣列中分開。訓練時，你的LSTM圖層不會認爲「這個例子已經完成」。您提供的下一批次將被視爲「繼續之前的序列」。
數據將形狀如(NumberOfVideos,ReducedNumberOfFrames, h*w)。
在這種情況下，每次在訓練足夠的「ReducedNumberOfFrames」之後，每次完成序列時，都必須手動重置網絡狀態，使用.reset_states()。
只要你在正確的點上保持良好的訓練和.reset_states()的控制權，你也可以通過像(ReducedNumberOfVideos,ReducedNumberOfFrames,h*w)這樣的訓練共軛這兩個想法。