如何將頂層添加到預先訓練的功能模型中

Question

我正在嘗試使用Keras創建一個ResNet50模型來預測貓與狗。 我決定只使用1000點的數據子集，進行700-150-150列車驗證測試。 （我知道它很小，但它是我的電腦可以處理的。）我已經使用了導入模型

resnet_model = keras.applications.ResNet50(include_top=False, input_tensor=None, input_shape=None, pooling=None, classes=2)
resnet_model.compile(Adam(lr=.0001), loss='categorical_crossentropy', metrics=['accuracy'])

但是，當我試圖適應它

aug = ImageDataGenerator(rotation_range=20, zoom_range=0.15,
  width_shift_range=0.2, height_shift_range=0.2, shear_range=0.15,
  horizontal_flip=True, fill_mode="nearest")

resnet_model.fit_generator(aug.flow(X_train, y_train, batch_size = batches), steps_per_epoch = len(X_train) // batches,
                          validation_data = (X_valid, y_valid), validation_steps = 4, epochs = 10, verbose = 1)

我收到以下值錯誤：

ValueError：檢查目標時出錯：預期activation_352有4個維度，但得到的數組有形狀（150,2）

（150,2）數組顯然來自valid_y ，但我不知道為什么特定輸出應該有4個維度 - 應該是標簽向量，而不是4維圖像大小和顏色向量。 有人可以幫我解決如何讓模型識別這個輸入嗎？

注意：我知道DanielMöller 在這里提到我需要添加一個Flatten()圖層，但功能模型及其調用的本質似乎很難實現，除非我想從頭開始重寫整個ResNet（看起來似乎打敗擁有可重復使用的預訓練模型的目的）。 任何見解將不勝感激。

Answer 1

審查后默勒的意見和宇陽代碼在這里 ，我能夠重新制訂使用下面的代碼模型的頂部：

pre_resnet_model = keras.applications.ResNet50(include_top=False, weights='imagenet', input_tensor=None, input_shape=(224,224,3), pooling=None, classes=2)
for layer in pre_resnet_model.layers:
    layer.trainable = False
flatten = Flatten()(pre_resnet_model.output)   
output = Dense(2, activation='softmax')(flatten)
resnet_model = Model(pre_resnet_model.input, output)

flatten層變平，然后output層利用它。 我還不確定為什么Model()只需要一個ResNet50().input和一個output ，所以如果有人可以向我解釋為什么我跳過Flatten() ，我會很感激它 - Model()顯然沒有不需要列出所有圖層，所以它只是輸入和輸出嗎？ 我會看看文檔，但與此同時，如果有人徘徊並有明確的解釋，我會接受它。