3D ResNetの実装方法について

Question

動画データの分類を行おうとしているのですが、3D ResNetの実装方法についてお聞きしたいです。3D ResNetについて少し調べていると、入力は動画データを静止画の連続として捉え、縦、横、フレーム数、チャンネル？としているんですかね。その場合、入力データの作成方法がわかりません。動画データをそのような4次元データに変換する方法を教えていただきたいです。
以下のモデルに動画データを変換したものを入力すれば学習できるのでしょうか。このモデルの((96,96,96,1),20)の意味も教えていただきたいです。

from resnet3d import Resnet3DBuilder
model = Resnet3DBuilder.build_resnet_50((96, 96, 96, 1), 20)
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])
model.fit(X_train, y_train, batch_size=32)