我正在创建异常行为检测模型，所以为此我使用vgg16预训练模块来提取特征，所以使用 fc2 层来获取我得到的特征（1,4096）作为这些特征的形状，
base_model = VGG16(weights=weights, include_top=include_top)
base_model.compile(optimizer=SGD(), loss='categorical_crossentropy', metrics=['accuracy'])
model = Model(input=base_model.input, output=base_model.get_layer('fc2').output)
print(model.summary())
image_size = (224, 224)
这是我如何定义vgg16模型，并获得功能，使用前一个softmax激活层之前的预测 .
img = np.array(cv2.resize(image, image_size))
x = img_to_array(img)
x = np.expand_dims(x, axis=0)
x = preprocess_input(x)
feature = model.predict(x)
并且，当寻找特征的形状时，
print feature.shape
我得到：，（1,4096）
这里使用Bidirectional-LSTM进行顺序分类问题，这是这类探测的常规方法，但根据keras文档，LSTM采用三维训练样本，以适应 (224, 224, 3) ，但我只获得1D功能，因此可以在上面提取的特征的维度上训练LSTM，或者是否有任何替代解决方案，例如将特征重塑为3D通道，但由于特征长度而不可能，并且需要更多的特征长度来重塑它到 (224, 224, 3) .
model = Sequential()
model.add(Bidirectional(LSTM(units=HIDDEN_UNITS, return_sequences=True),
input_shape=(self.expected_frames, self.num_input_tokens)))
model.add(Bidirectional(LSTM(10)))
model.add(Dense(512, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(self.nb_classes))
model.add(Activation('softmax'))
model.compile(loss='categorical_crossentropy', optimizer='rmsprop', metrics=['accuracy'])