如何将顶层添加到预先训练的功能模型中

Question

我正在尝试创建一个ResNet50模型，使用Keras来预测猫对狗。我决定只使用1000点的数据子集，使用700-150-150的列车验证-测试分割。(我知道它很小，但这是我的电脑能处理的。)我使用

resnet_model = keras.applications.ResNet50(include_top=False, input_tensor=None, input_shape=None, pooling=None, classes=2)
resnet_model.compile(Adam(lr=.0001), loss='categorical_crossentropy', metrics=['accuracy'])

但当我试着把它和

aug = ImageDataGenerator(rotation_range=20, zoom_range=0.15,
  width_shift_range=0.2, height_shift_range=0.2, shear_range=0.15,
  horizontal_flip=True, fill_mode="nearest")

resnet_model.fit_generator(aug.flow(X_train, y_train, batch_size = batches), steps_per_epoch = len(X_train) // batches,
                          validation_data = (X_valid, y_valid), validation_steps = 4, epochs = 10, verbose = 1)

我得到以下值错误：

ValueError:检查目标时出错:期望activation_352有4个维，但得到形状为(150，2)的数组

(150,2)数组显然来自valid_y，但我不知道为什么特定的输出应该有4个维度--这应该是一个标签向量，而不是一个四维图像大小和颜色矢量。有人能帮我找出如何让模型识别这个输入吗？

备注:我知道Daniel ller提到了here，我需要添加一个Flatten()层，但是函数模型的性质及其调用似乎不允许这样做，除非我想从头重写整个ResNet (这似乎违背了拥有可重用的预培训模型的目的)。任何洞察力都将不胜感激。

Answer 1

在回顾了Möller's comments和Yu-Yang here的代码之后，我能够使用以下代码重新构造模型的顶部：

pre_resnet_model = keras.applications.ResNet50(include_top=False, weights='imagenet', input_tensor=None, input_shape=(224,224,3), pooling=None, classes=2)
for layer in pre_resnet_model.layers:
    layer.trainable = False
flatten = Flatten()(pre_resnet_model.output)   
output = Dense(2, activation='softmax')(flatten)
resnet_model = Model(pre_resnet_model.input, output)

flatten层是扁平的，然后output层就在此基础上。我还不知道为什么Model()只需要一个ResNet50().input和一个output，所以如果有人能向我解释为什么我跳过了Flatten()，我会很感激的--Model()显然不需要列出所有的层，那么它只是一个输入和输出吗？我会看一下文档，但在此期间，如果有人路过并有了明确的解释，我将接受它。