Keras中CNN-RNN混合模型需用TimeDistributed封装CNN层处理时序帧，再经空间降维（如GlobalAvgPool2D）输出(batch, timesteps, features)，最后输入LSTM/GRU建模时序依赖；常见错误是忽略时间维度导致形状不匹配。
用 Keras 搭建 CNN-RNN 混合模型并不难，关键在于理清数据流向和层间衔接——CNN 提特征，RNN 建模时序依赖，两者通过合理 reshape 和 TimeDistributed 配合即可打通。
CNN-RNN 结构怎么连才对？
CNN 部分通常处理单帧（如图像、频谱图）或滑动窗口切片；RNN 部分则接收“一串帧”作为序列。常见错误是直接把 CNN 输出喂给 LSTM，忽略了时间维度缺失。
- 输入先按时间步切好：比如 (batch, timesteps, height, width, channels) 或 (batch, timesteps, features)
- CNN 层加 TimeDistributed 包裹，让它对每个 timestep 独立卷积，输出形状变为 (batch, timesteps, h', w', c')
- 后续接 GlobalAveragePooling2D 或 Flatten，压缩空间维度，得到 (batch, timesteps, feature_dim)
- 再送入 LSTM/GRU，自动处理时序建模
图像序列类任务的典型流程（如视频动作识别）
以 UCF101 视频片段为例，每段取 16 帧，每帧缩放为 224×224：
- 用 TimeDistributed(Conv2D(...)) + ReLU + MaxPooling 处理每帧
- 接 TimeDistributed(GlobalAvgPool2D()) 得到每帧的向量表示
- 加一层 Dense（可选）统一特征维度，再进 LSTM(units=128, return_sequences=False)
- 最后 Dense + Softmax 输出类别概率
文本或语音的变体用法
不是所有 CNN-RNN 都处理图像。例如语音命令识别中，输入是梅尔频谱图序列（timesteps × freq_bins），可：
立即学习“Python免费学习笔记（深入）”；
- 用 2D CNN 提取局部时频模式（卷积核在 time×freq 平面滑动）
- 用 Permute((2,1,3)) 把时间步移到第 1 维，方便后续 RNN 沿频率轴建模（视需求而定）
- 或直接接 1D CNN + GRU，更轻量且适合短序列
训练技巧与避坑提醒
混合模型容易梯度爆炸、收敛慢或过拟合，几个实用建议：
- 用 tf.keras.utils.plot_model 可视化结构，确认 timestep 维度没丢
- 初始学习率设小些（如 1e-4），搭配 ReduceLROnPlateau
- 在 LSTM 后加 Dropout（0.3–0.5），CNN 部分用 SpatialDropout2D 更有效
- 验证集准确率卡住时，检查是否误把 batch 维和 timestep 维混淆（常见于自定义 data generator）
