如果我们需要更改 input_shape，为什么我们需要 include_top=False？
Why do we need to include_top=False if we need to change the input_shape?
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 形状，修改卷积是有意义的。
为什么要include_top=False，去掉最后的全连接层？
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
我知道是我遗漏了一些东西。请帮助我
示例：Inception Resnet V2
input_shape: optional shape tuple, only to be specified if include_top
is False (otherwise the input shape has to be (299, 299, 3) (with
'channels_last' data format) or (3, 299, 299) (with 'channels_first'
data format). It should have exactly 3 inputs channels, and width and
height should be no smaller than 139. E.g. (150, 150, 3) would be one
valid value.
include_top: whether to include the fully-connected layer at the top
of the network.
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定义。对输入形状的任何更改都会更改输入到全连接层的形状，从而使权重不兼容（矩阵大小不匹配且无法应用）。
这是全连接层的特定问题。如果再用一层做分类，比如global average pooling，就不会出现这个问题了。
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 形状，修改卷积是有意义的。 为什么要include_top=False，去掉最后的全连接层？
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 层我知道是我遗漏了一些东西。请帮助我
示例：Inception Resnet V2
input_shape: optional shape tuple, only to be specified if include_top is False (otherwise the input shape has to be (299, 299, 3) (with 'channels_last' data format) or (3, 299, 299) (with 'channels_first' data format). It should have exactly 3 inputs channels, and width and height should be no smaller than 139. E.g. (150, 150, 3) would be one valid value.
include_top: whether to include the fully-connected layer at the top of the network.
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定义。对输入形状的任何更改都会更改输入到全连接层的形状，从而使权重不兼容（矩阵大小不匹配且无法应用）。
这是全连接层的特定问题。如果再用一层做分类，比如global average pooling，就不会出现这个问题了。