我有以下问题：我想喂 LSTM

train_datagen.flow_from_directory

输入基本上是从时间序列转换为 PNG 格式的时频域的频谱图图像，其维度为：时间步长 x 频谱。1 个样本 = 1 个uint8中的 PNG 图像。在我的示例中：3601 个时间步长，217 个频谱（=特征）/时间步长。

频谱图本身只是一维的，但我认为“从目录流”功能被硬编码为只准备 3D 图像矩阵，因此输入形状变成了，这完全是遗憾，因为有些人只使用纯灰度uint8 图像，以及一些使用多光谱和高光谱图像的人。

我的代码如下：

import keras
from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers import Activation, Dropout, Flatten, Dense
from keras.layers import LSTM
from keras import optimizers
from keras import backend as K
import tensorflow as tf

img_width, img_height = 3601,217
train_data_dir = 'sensor1/training'
validation_data_dir = 'sensor1/validation'

num_classes = 10
nb_train_samples = num_classes*70
nb_validation_samples = num_classes*20
epochs = 20
batch_size = 10
input_shape = (img_width, img_height)

model.add(LSTM(units=256, input_shape= input_shape, return_sequences=True))
model.add(LSTM(units=128, return_sequences=True))
model.add(LSTM(units=64))
model.add(Dense(128))
model.add(Dense(num_classes, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='rmsprop', metrics=['accuracy'])

train_datagen = ImageDataGenerator(rescale = 1. / 255)
test_datagen = ImageDataGenerator(rescale = 1. / 255)

train_generator = train_datagen.flow_from_directory(
    train_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size)

validation_generator = test_datagen.flow_from_directory(
    validation_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size)

model.fit_generator(
    train_generator,
    steps_per_epoch=nb_train_samples // batch_size,
    epochs=epochs,
    callbacks=[plot_losses],
    validation_data=validation_generator,
    validation_steps=nb_validation_samples // batch_size)

然后，一旦我运行该程序，它当然会给出一条错误消息：

**ValueError: Error when checking input: expected lstm_50_input to have 3 dimensions, but got array with shape (10, 3601, 217, 3)**

消息：

预期 lstm_50_input 有 3 个维度，但得到了形状为 (10, 3601, 217, 3) 的数组

清楚地表明它不同意我对输入形状的定义： (3601, 217)

有什么想法可以轻松解决问题吗？提前致谢。