如果我们需要更改 input_shape，为什么我们需要 include_top=False？

Question

据我所知，输入元组是从卷积块进入的。 所以如果我们想改变 input_tuple 的形状，修改卷积是有意义的。 为什么我们需要 include_top=False 并在最后去掉全连接层？

另一方面，如果我们有不同数量的类，Keras 可以选择使用 no_of_classes 更改 softmax 层

我知道我是这里缺少某些东西的人。请帮帮我

示例：对于 Inception Resnet V2

input_shape：可选的形状元组，仅在 include_top 时指定 为 False （否则输入形状必须为 (299, 299, 3) （使用 'channels_last' 数据格式）或 (3, 299, 299) （使用 'channels_first' 数据格式）。它应该正好有 3 个输入通道，宽度和 高度不应小于 139。例如(150, 150, 3) 将是一 有效值。

include_top：是否在顶层包含全连接层 网络。

https://keras.io/applications/#inceptionresnetv2

Answer 1

这仅仅是因为最后的全连接层只能接受固定大小的输入，这在之前已经由输入形状和卷积层中的所有处理来定义。输入形状的任何改变都会改变输入到全连接层的形状，使权重不兼容（矩阵大小不匹配，无法应用）。

这是全连接层的特定问题。如果您使用另一层进行分类，例如全局平均池化，则不会出现此问题。