基于keras-ResNet50模型的二元分类输出层

Question

我正在尝试使用Keras ResNet50实现来训练二值图像分类模型。

我想在不使用转移学习的情况下测试模型，但当我尝试使用简单的密集层（带有sigmoid激活）来更改二元分类的输出层时，我在形状大小方面出现了错误。

我的代码是这样的：

baseModel= ResNet50(weights=None, include_top=False, classes=2, pooling=max)

output = baseModel.output
output = layers.Dense(1, activation='sigmoid')(output)

model = keras.models.Model(inputs=baseModel.input, outputs=output)

model.compile(optimizer=Adam(learning_rate=0.0001), loss='binary_crossentropy',  metrics=['accuracy'])

执行此操作时，我出现以下错误：

ValueError: logits and labels must have the same shape ((None, 7, 7, 1) vs (None, 1))

如果我在得到的致密层之前添加一个扁平层：

ValueError: The last dimension of the inputs to `Dense` should be defined. Found `None`.

我错过了什么？如何更改致密层的输入形状？

Answer 1

对于ResNet，您指定了Top=False，pooling=max，因此Resent模型向模型添加了最终的max pooling层。因此，请使用下面的代码：您不需要添加展平层，max pooling会为您展平输出。

out=basemodel.layers[-1].output 
output = layers.Dense(1, activation='sigmoid')(out)

您可以使用模型。summary（）查看模型结构。此外，不应使用class=2。当top为false时，不应指定类。