使用 Vgg16 输出和添加额外的自定义层时出错。

Question

我正在尝试获取通过 Vgg16 网络传递的图像（训练和验证）的输出include_top = false，然后添加最后几层，如下面的代码所示。我想x存储完整的模型，以便我可以从中创建一个 tflite 文件（包括 vgg 和我添加的图层）from tensorflow.keras.models import Modelimport osx= vgg16.outputprint(x.shape)x = GlobalAveragePooling2D()(x)x = Flatten()(x)x = Dense(100)(x)x = tf.keras.layers.LeakyReLU(alpha=0.2)(x)x = (Dropout(0.5)) (x)x = (Dense(50)) (x) x = tf.keras.layers.LeakyReLU(alpha=0.3)(x)x = Dropout(0.3)(x)x = Dense(num_classes, activation='softmax')(x)# this is the model we will trainmodel = Model(inputs=vgg16.input, outputs=x)# first: train only the top layers (which were randomly initialized)# i.e. freeze all convolutional InceptionV3 layersfor layer in vgg16.layers:    layer.trainable = Falsemodel.compile(loss='categorical_crossentropy',   optimizer=optimizers.RMSprop(lr=1e-4),   metrics=['acc'])# train the model on the new data for a few epochshistory = model.fit(train_data, train_labels,    epochs=15,   batch_size=batch_size,   validation_data=(validation_data, validation_labels))model.save(top_model_weights_path)(eval_loss, eval_accuracy) = model.evaluate(     validation_data, validation_labels, batch_size=batch_size, verbose=1)的输出x.shape是 (?, ?, ?, 512)train_data.shape (1660, 2, 2, 512)train_labels.shape (1660, 4)validation_data.shape (137, 4)validation_labels.shape (137, 2, 2, 512)错误：ValueError：检查输入时出错：预期 input_3 具有形状 (None, None, 3) 但得到形状为 (2, 2, 512) 的数组此错误发生在以下行：52 验证数据=（验证数据，验证标签））如下所示的先前代码片段工作得非常好，并提供准确的输出。train_data存储一个 numpy 数组vgg16.predict_generator()

Answer 1

出色地...

您定义了target_size=(img_width, img_height)，如果(img_width, img_height)不是(224, 224)，那么您还需要target_size在 VGG 模型中进行定义：

vgg16 = applications.VGG16(

  include_top=False, 

  weights='imagenet',

  target_size=(img_width, img_height, 3))

你为什么用class_mode=None在datagen.flow_from_directory？None是默认值。如果你想让它明确write class_mode='categorical'，但 usingclass_mode=None根本没有意义。

predict_generator返回预测。现在predict_generator已弃用，但您可以使用predict它与生成器一起工作。但predict应在训练后使用。正确使用生成器的方法是：

datagen = ImageDataGenerator(rescale=1. / 255) 

generator = datagen.flow_from_directory( 

  train_data_dir, 

  target_size=(img_width, img_height), 

  batch_size=batch_size, 

  shuffle=False)

// ...

history = model.fit(

  generator,

  epochs=15,

  steps_per_epoch=len(generator), 

  batch_size=batch_size,

  validation_data=validation_generator,

  validation_steps=len(validation_generator))

稍后，如果您想进行预测，请使用：model.predict(test_generator)

在这种情况下，您不需要使用Flattenafter 。将输出减少到一维数组。GlobalAveragePooling2DGlobalAveragePooling2D