这个问题作为一个问题而存在github问题， 也。
我想在 Keras 中构建一个神经网络，其中包含 2D 卷积和 LSTM 层。
网络应对 MNIST 进行分类。
MNIST中的训练数据是60000张手写数字0到9的灰度图像。每张图像都是28x28像素。
我将图像分为四个部分（左/右、上/下），并按四个顺序重新排列它们以获得 LSTM 的序列。
| | |1 | 2|
|image| -> ------- -> 4 sequences: |1|2|3|4|, |4|3|2|1|, |1|3|2|4|, |4|2|3|1|
| | |3 | 4|
其中一个小子图像的尺寸为 14 x 14。四个序列沿宽度堆叠在一起（无论宽度还是高度都应该无关紧要）。
这将创建一个形状为 [60000, 4, 1, 56, 14] 的向量，其中：
- 60000是样本数
- 4 是序列中的元素数量（时间步数）
- 1 是颜色深度（灰度）
- 56和14是宽度和高度
现在应该将其赋予 Keras 模型。
问题是改变 CNN 和 LSTM 之间的输入维度。
我在网上搜索了一下，发现了这个问题：Python keras如何将卷积层后的输入大小更改为lstm层
解决方案似乎是一个 Reshape 层，它可以展平图像但保留时间步长（而不是 Flatten 层，它会折叠除批量大小之外的所有内容）。
到目前为止，这是我的代码：
nb_filters=32
kernel_size=(3,3)
pool_size=(2,2)
nb_classes=10
batch_size=64
model=Sequential()
model.add(Convolution2D(nb_filters, kernel_size[0], kernel_size[1],
border_mode="valid", input_shape=[1,56,14]))
model.add(Activation("relu"))
model.add(Convolution2D(nb_filters, kernel_size[0], kernel_size[1]))
model.add(Activation("relu"))
model.add(MaxPooling2D(pool_size=pool_size))
model.add(Reshape((56*14,)))
model.add(Dropout(0.25))
model.add(LSTM(5))
model.add(Dense(50))
model.add(Dense(nb_classes))
model.add(Activation("softmax"))
此代码创建一条错误消息：
ValueError：新数组的总大小必须保持不变
显然，Reshape 层的输入不正确。作为替代方案，我也尝试将时间步传递到 Reshape 图层：
model.add(Reshape((4,56*14)))
这感觉不对，无论如何，错误仍然存在。
我这样做的方式正确吗？
Reshape 层是连接 CNN 和 LSTM 的正确工具吗？
对于这个问题有相当复杂的方法。
比如这样：https://github.com/fchollet/keras/pull/1456TimeDistributed Layer 似乎对后续层隐藏了时间步长维度。
或这个：https://github.com/anayebi/keras-extra一组用于组合 CNN 和 LSTM 的特殊层。
如果简单的重塑就能解决问题，为什么还有如此复杂的解决方案（至少对我来说看起来很复杂）？
UPDATE:
尴尬的是，我忘记了池化和（由于缺乏填充）卷积也会改变尺寸。kgrm建议我使用model.summary()检查尺寸。
Reshape层之前层的输出为(None, 32, 26, 5),
我将重塑更改为：model.add(Reshape((32*26*5,))).
现在 ValueError 消失了，取而代之的是 LSTM 抱怨：
异常：输入 0 与层 lstm_5 不兼容：预期 ndim=3，发现 ndim=2
看来我需要通过整个网络传递时间步维度。我怎样才能做到这一点 ？如果我将它添加到卷积的 input_shape 中，它也会抱怨：Convolution2D(nb_filters, kernel_size[0], kernel_size[1], border_mode="valid", input_shape=[4, 1, 56,14])
异常：输入 0 与层 volution2d_44 不兼容：预期 ndim=4，发现 ndim=5
