从Vgg16 net导入后如何更改瓶颈要素的输入形状

Question

我正在尝试使用VGG16 Net训练模型进行图像分类，并希望使用此代码将没有密集层的权重转移到我的图像集中。

model1 = applications.VGG16(include_top=False, weights='imagenet', input_shape=(img_width,img_height,3))

了解瓶颈功能后，模型的最后几层是：

block5_conv2 (Conv2D)        (None, 6, 6, 512)         2359808   
_________________________________________________________________
block5_conv3 (Conv2D)        (None, 6, 6, 512)         2359808   
_________________________________________________________________
block5_pool (MaxPooling2D)   (None, 3, 3, 512)         0         
=================================================================

最后一层尺寸为(None,3,3,512) 。 这将是我的“密集”层的输入。

model1 = Sequential()
model1.add(Flatten(input_shape=train_data.shape[1:]))

因此，模型的输入形状为(3,3,512) 。 我的问题是，当我尝试预测图像时，输入图像的大小为(224,224,3) 。 那么如何将输入图像的形状转换为模型的输入形状？

当我尝试预测它时，这是我收到的错误：

ValueError: Error when checking input: expected flatten_1_input to have a shape (3, 3, 512) but got array with shape (224, 224, 3)

如何更改必须预测的模型的输入形状或输入图像的输入形状？

Answer 1

Flatten层的输入是VGG16模型的输出（实际上是它的卷积基础，因为您要除去顶部的密集分类器），而不是图像。 VGG16模型已经具有输入层，因此无需创建另一个层。 因此，您可以这样做：

vgg_base = applications.VGG16(include_top=False, weights='imagenet', input_shape=(img_width,img_height,3))

model = Sequentail(vgg_base)
model.add(Flatten())
# the rest of the layers you want to add

VGG16是顺序模型，因此上述方法有效。 但是，对于其他没有顺序架构的模型，您需要使用Keras Functional API 。

---

从您的帖子中我无法理解，您正在同时执行特征提取+分类，或者您已经提取了特征，现在您想使用它们对图像进行分类。 以上方法适用于前一种情况。 但是对于后一种情况，正如我之前提到的，Flatten层的输入是提取的特征（即VGG16 base的输出），而不是图像。 因此，您必须正确设置input_shape参数：

model = Sequentail()
model.add(Flatten(input_shape=(3,3,512))
# the rest of the layers