我想使用Keras的ResNet50实现来训练一个二元图像分类模型。

我想在不使用迁移学习的情况下测试模型，但当我尝试使用带有sigmoid激活函数的简单密集层来更改输出层以进行二元分类时，我遇到了关于形状大小的错误。

我的代码如下：

baseModel= ResNet50(weights=None, include_top=False, classes=2, pooling=max)output = baseModel.outputoutput = 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'])

这样做我得到了以下错误：

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

如果我在密集层之前添加一个展平层，我得到了：

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

我在这里错过了什么？我如何更改密集层的输入形状？

回答：

对于ResNet，您指定了Top=False和pooling=’max’，因此ResNet模型在模型中添加了最终的最大池化层。因此，请使用下面的代码：您不需要添加展平层，最大池化会为您展平输出。

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

您可以使用model.summary()来查看模型结构。另外，您不应该使用classes=2。当top为false时，不应指定类别。