如何将顶层添加到预训练的功能模型

Question

我正在尝试使用 Keras 创建 ResNet50 模型来预测猫与狗。我决定只使用 1000 点的数据子集，并使用 700-150-150 的训练-验证-测试拆分。 （我知道它很小，但这是我的计算机可以处理的。）我已经导入了模型使用

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'])

但是当我尝试适应它时

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)

我得到以下值错误：

ValueError: 检查目标时出错：预期 activation_352 有 4 维，但得到的数组形状为 (150, 2)

(150,2) 数组显然来自valid_y，但我不知道为什么那个特定的输出应该有 4 维——这应该是标签向量，而不是 4 维图像大小和颜色矢量。有人可以帮我弄清楚如何让模型识别这个输入吗？

注意：我知道 Dan​​iel Möller 提到 here 我需要添加一个 Flatten() 层，但函数模型的性质及其调用似乎不允许这样做，除非我想从头开始重写整个 ResNet（这似乎违背了拥有可重用预训练模型的目的）。任何见解将不胜感激。

Answer 1

在查看 Möller's comments 和 Yu-Yang here 的代码后，我能够使用以下代码重新制定模型的顶部：

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 图层变平，然后output 图层在此基础上进行绘制。我还不确定为什么Model() 只需要ResNet50().input 和output，所以如果有人可以向我解释为什么我跳过了Flatten()，我会很感激——Model() 显然不需要不需要所有层的列表，那么它只是一个输入和一个输出吗？我会看一下文档，但与此同时，如果有人路过并有明确的解释，我会接受。