从Vgg16 net导入后如何改变瓶颈特征的输入形状

Question

我正在尝试使用 VGG16 Net 训练模型进行图像分类，并希望使用此代码将没有 Dense 层的权重转移到我的图像集。

model1 = applications.VGG16(include_top=False, weights='imagenet', input_shape=(img_width,img_height,3))

学习瓶颈特征后，模型的最后几层是：

block5_conv2 (Conv2D)        (None, 6, 6, 512)         2359808   
_________________________________________________________________
block5_conv3 (Conv2D)        (None, 6, 6, 512)         2359808   
_________________________________________________________________
block5_pool (MaxPooling2D)   (None, 3, 3, 512)         0         
=================================================================

最后一层维度是(None,3,3,512)。这将是我的密集层的输入。

model1 = Sequential()
model1.add(Flatten(input_shape=train_data.shape[1:]))

所以模型的输入形状是 (3,3,512)。我的问题是，当我尝试预测图像时，输入图像的大小是 (224,224,3)。那么如何将输入图像的形状转换为模型的输入形状？

当我尝试预测它时，这是我收到的错误：

ValueError: Error when checking input: expected flatten_1_input to have a shape (3, 3, 512) but got array with shape (224, 224, 3)

如何更改我必须预测的模型的输入形状或输入图像的输入形状？

Answer 1

Flatten 层的输入是 VGG16 模型的输出（实际上是它的卷积基，因为你要删除顶部的密集分类器）而不是你的图像。而 VGG16 模型已经有一个输入层，所以不需要再创建一个。因此你可以这样做：

vgg_base = applications.VGG16(include_top=False, weights='imagenet', input_shape=(img_width,img_height,3))

model = Sequentail(vgg_base)
model.add(Flatten())
# the rest of the layers you want to add

VGG16 是顺序模型，因此上述方法有效。但是，对于其他没有顺序架构的模型，您需要使用 Keras Functional API.

我无法从你的post中了解到你是同时进行特征提取+分类，或者你已经提取了特征，现在你想用它们来对你的图像进行分类。上述方法适用于前一种情况。但对于后一种情况，正如我之前提到的，Flatten 层的输入是提取的特征（即 VGG16 基的输出）而不是图像。因此，您必须正确设置 input_shape 参数：

model = Sequentail()
model.add(Flatten(input_shape=(3,3,512))
# the rest of the layers

从Vgg16 net导入后如何改变瓶颈特征的输入形状

how to change the input shape of bottleneck features after importing from Vgg16 net

python

deep-learning

conv-neural-network

keras

transfer-learning