Output 使用 keras ResNet50 model 进行二进制分类的层

Question

我正在尝试使用 Keras ResNet50 实现来训练二值图像分类 model。

我想在不使用迁移学习的情况下测试 model，但是当我尝试使用一个简单的密集层更改 output 层并为二进制分类激活 sigmoid 时，我得到了关于形状大小的错误。

我的代码是这样的：

baseModel= ResNet50(weights=None, include_top=False, classes=2, pooling=max)

output = baseModel.output
output = layers.Dense(1, activation='sigmoid')(output)

model = keras.models.Model(inputs=baseModel.input, outputs=output)

model.compile(optimizer=Adam(learning_rate=0.0001), loss='binary_crossentropy',  metrics=['accuracy'])

这样做我得到了这个错误：

ValueError: logits and labels must have the same shape ((None, 7, 7, 1) vs (None, 1))

如果我在致密层之前添加一个展平层，我得到：

ValueError: The last dimension of the inputs to `Dense` should be defined. Found `None`.

我在这里缺少什么？ 我如何更改致密层的输入形状？

Answer 1

对于 ResNet，您指定了 Top=False 和 pooling = 'max'，因此 Resent model 已将最终的最大池化层添加到 model。因此请使用以下代码：您不需要添加展平层，最大池化将 output 展平为你。

out=basemodel.layers[-1].output 
output = layers.Dense(1, activation='sigmoid')(out)

您可以使用 model.summary() 查看 model 结构。 你也不应该使用 classes=2。 当 top 为 false 时，不应指定类。