在 keras 中定义模型（include_top = True）
Defining model in keras (include_top = True)
有人能告诉我在 keras 中定义模型时 include_top= True 是什么意思吗？
我在 Keras 文档中阅读了这一行的含义。它说include_top：是否包括网络顶部的全连接层。
我还在为这行代码寻找一个直观的解释。
ResNet50(include_top=True)
谢谢！
阅读the documentation sheds some light, and you can also resort to the code。 include_top=True 意味着将在模型末尾添加一个全连接层。如果您希望模型实际执行分类，这通常是您想要的。使用 include_top=True，您可以指定参数 classes（对于 ImageNet，默认为 1000）。使用 include_top=False，该模型可用于特征提取，例如构建自动编码器或在其上堆叠任何其他模型。请注意，仅当 include_top 为 False 时才应指定 input_shape 和 pooling 参数。
这些模型中的大多数都是一系列卷积层，然后是一个或几个密集（或完全连接）层。
Include_top 让你 select 如果你想要最终的密集层。
卷积层用作特征提取器。他们识别图像中的一系列图案，每一层都可以通过查看图案的图案来识别更精细的图案。
密集层能够解释找到的模式以便分类：此图像包含猫、狗、汽车等
关于权重：
卷积层中的权重是固定大小的。它们是内核 x 过滤器的大小。示例：包含 10 个过滤器的 3x3 内核。卷积层不关心输入图像的大小。它只是进行卷积并根据输入图像的大小呈现结果图像。 （不清楚的可以搜索一些关于卷积的图解教程）
现在密集层中的权重完全取决于输入大小。它是输入的每个元素一个权重。所以这要求你的输入总是相同的大小，否则你不会有适当的学习权重。
因此，删除最后的密集层允许您定义输入大小（参见文档）。 （并且输出大小将相应地 increase/decrease）。
但是您丢失了 interpretation/classification 层。 （您可以添加自己的，具体取决于您的任务）
关于池化和扁平化的额外信息
全局合并：
在最后一个卷积层之后，您的输出仍然像图像。它们的形状为 (images, X, Y, channels)，其中 X 和 Y 是二维图像的空间维度。
当您的模型具有 GlobalMaxPooling2D 或 GlobalAveragePooling2D 时，它将消除空间维度。使用 Max 时，每个通道将只采用最高值像素。使用 Average 它将取每个通道的平均值。结果将只是 (images, channels)，不再有空间维度。
- 优点：由于空间维度被丢弃，你可以有可变大小的图像
- 缺点：如果你仍然有大尺寸，你会丢失很多数据。 （这可能没问题，具体取决于模型和数据）
展平
使用flatten，空间维度不会丢失，但会在特征上进行变换。从 (images, X, Y, channels) 到 (images, X*Y*channels)。
这将需要固定的输入形状，因为必须定义X和Y，如果在展平后添加Dense层，Dense层将需要固定数量的特征。
有人能告诉我在 keras 中定义模型时 include_top= True 是什么意思吗？
我在 Keras 文档中阅读了这一行的含义。它说include_top：是否包括网络顶部的全连接层。
我还在为这行代码寻找一个直观的解释。
ResNet50(include_top=True)
谢谢！
阅读the documentation sheds some light, and you can also resort to the code。 include_top=True 意味着将在模型末尾添加一个全连接层。如果您希望模型实际执行分类，这通常是您想要的。使用 include_top=True，您可以指定参数 classes（对于 ImageNet，默认为 1000）。使用 include_top=False，该模型可用于特征提取，例如构建自动编码器或在其上堆叠任何其他模型。请注意，仅当 include_top 为 False 时才应指定 input_shape 和 pooling 参数。
这些模型中的大多数都是一系列卷积层，然后是一个或几个密集（或完全连接）层。
Include_top 让你 select 如果你想要最终的密集层。
卷积层用作特征提取器。他们识别图像中的一系列图案，每一层都可以通过查看图案的图案来识别更精细的图案。
密集层能够解释找到的模式以便分类：此图像包含猫、狗、汽车等
关于权重：
卷积层中的权重是固定大小的。它们是内核 x 过滤器的大小。示例：包含 10 个过滤器的 3x3 内核。卷积层不关心输入图像的大小。它只是进行卷积并根据输入图像的大小呈现结果图像。 （不清楚的可以搜索一些关于卷积的图解教程）
现在密集层中的权重完全取决于输入大小。它是输入的每个元素一个权重。所以这要求你的输入总是相同的大小，否则你不会有适当的学习权重。
因此，删除最后的密集层允许您定义输入大小（参见文档）。 （并且输出大小将相应地 increase/decrease）。
但是您丢失了 interpretation/classification 层。 （您可以添加自己的，具体取决于您的任务）
关于池化和扁平化的额外信息
全局合并：
在最后一个卷积层之后，您的输出仍然像图像。它们的形状为 (images, X, Y, channels)，其中 X 和 Y 是二维图像的空间维度。
当您的模型具有 GlobalMaxPooling2D 或 GlobalAveragePooling2D 时，它将消除空间维度。使用 Max 时，每个通道将只采用最高值像素。使用 Average 它将取每个通道的平均值。结果将只是 (images, channels)，不再有空间维度。
- 优点：由于空间维度被丢弃，你可以有可变大小的图像
- 缺点：如果你仍然有大尺寸，你会丢失很多数据。 （这可能没问题，具体取决于模型和数据）
展平
使用flatten，空间维度不会丢失，但会在特征上进行变换。从 (images, X, Y, channels) 到 (images, X*Y*channels)。
这将需要固定的输入形状，因为必须定义X和Y，如果在展平后添加Dense层，Dense层将需要固定数量的特征。