我知道Inception V3的input_shape是(299,299,3)。但是在Keras中，如果include_top设置为False，可以构建具有自定义input_shape的Inception V3版本。

“input_shape: 可选的形状元组，仅当include_top为False时指定（否则输入形状必须是(299, 299, 3)（使用'channels_last'数据格式）或(3, 299, 299)（使用'channels_first'数据格式）。它应该正好有3个输入通道，宽度和高度不应小于75。例如，(150, 150, 3)就是一个有效的值” – https://keras.io/applications/#inceptionv3

这是如何实现的？为什么只有当include_top为false时才可以设置自定义的input_shape？

回答：

这是可能的，因为该模型完全是卷积的。卷积操作不关心图像的大小，它们是“滑动滤波器”。如果图像很大，输出也会很大；如果图像很小，输出也会很小。（然而，滤波器本身具有由kernel_size定义的固定大小，以及输入和输出滤波器）

当你使用include_top时，你不能这样做，因为这个模型可能在最后使用了Flatten()层 followed by Dense层。Dense层需要固定的输入大小（由Flatten根据图像大小给出），否则无法创建可训练的权重（可变数量的权重没有意义）