我的意思是，如果一个卷积神经网络模型输入n个模型，它会输出n个结果，对吗？然而，当我尝试使用一个瓶颈模型（基于VGG16卷积神经网络构建）时，VGG16卷积神经网络的输出比输入少了16个。
这是控制台输出：
import numpy as np
train_data = np.load(open('bottleneck_features_train.npy'))train_data.shape
(8384, 7, 7, 512)
validation_data = np.load(open('bottleneck_features_validation.npy'))validation_data.shape
(3584, 7, 7, 512)
生成此输出的脚本可以在这里找到。
上述脚本的堆栈跟踪信息如下：
使用Theano后端。
从https://github.com/fchollet/deep-learning-models/releases/download/v0.1/vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5下载数据
发现8400张图片，属于120个类别。正在保存训练特征…
发现3600张图片，属于120个类别。正在保存测试特征…
训练顶层…
编译瓶颈模型…
训练瓶颈模型…
跟踪（最近一次调用）：文件”pretrained_network.py”, 第87行，
train_top_model()文件 “pretrained_network.py”, 第82行，train_top_model
validation_data=(validation_data, validation_labels))文件 “/home/ashish/ml-projects/venv/local/lib/python2.7/site-packages/keras/models.py”,第845行，fit initial_epoch=initial_epoch)
文件 “/home/ashish/ml-projects/venv/local/lib/python2.7/site-packages/keras/engine/training.py”, 第1405行，fit batch_size=batch_size)
文件 “/home/ashish/ml-projects/venv/local/lib/python2.7/site-packages/keras/engine/training.py”, 第1307行，_standardize_user_data _check_array_lengths(x, y, sample_weights)
文件 “/home/ashish/ml-projects/venv/local/lib/python2.7/site-packages/keras/engine/training.py”, 第229行，_check_array_lengths ‘and ‘ + str(list(set_y)[0]) + ‘ target samples.’)
ValueError: 输入数组的样本数应与目标数组的样本数相同。
发现8384个输入样本和8400个目标样本。
回答：
问题出在你的脚本中的这一部分，例如：
bottleneck_features_train = model.predict_generator( generator, nb_train_samples // batch_size)应该改为：
bottleneck_features_train = model.predict_generator( generator, (nb_train_samples // batch_size) + 1)如果不这样做，generator调用的次数就不够。
