我在尝试构建一个用于图像识别的OneClass分类器。我找到了这篇文章，但由于没有完整的源代码，我不太明白自己在做什么。
X_train, X_test, y_train, y_test = train_test_split(x, y, random_state=42)# X_train (2250, 200, 200, 3)resnet_model = ResNet50(input_shape=(200, 200, 3), weights='imagenet', include_top=False)features_array = resnet_model.predict(X_train)# features_array (2250, 7, 7, 2048)pca = PCA(svd_solver='randomized', n_components=450, whiten=True, random_state=42)svc = SVC(kernel='rbf', class_weight='balanced')model = make_pipeline(pca, svc)param_grid = {'svc__C': [1, 5, 10, 50], 'svc__gamma': [0.0001, 0.0005, 0.001, 0.005]}grid = GridSearchCV(model, param_grid)grid.fit(X_train, y_train)我有2250张图像（食物和非食物），尺寸为200×200像素，我将这些数据发送到ResNet50模型的predict方法。结果是一个(2250, 7, 7, 2048)的张量，有人知道这个维度是什么意思吗？
当我尝试运行grid.fit方法时，我得到了一个错误：
ValueError: Found array with dim 4. Estimator expected <= 2.回答：
这些是我能得出的发现。
你得到的是全局平均池化层之上的输出张量。（查看resnet_model.summary()以了解输入维度如何变化到输出维度）
为了简单修复这个问题，可以在resnet_model上添加一个二维平均池化层。（这样输出形状将变为(2250,1,1, 2048)）
resnet_model = ResNet50(input_shape=(200, 200, 3), weights='imagenet', include_top=False)resnet_op = AveragePooling2D((7, 7), name='avg_pool_app')(resnet_model.output)resnet_model = Model(resnet_model.input, resnet_op, name="ResNet")这通常在ResNet50的源代码中已经存在。基本上，我们是在resnet50模型上附加一个AveragePooling2D层。最后一行将层（第二行）和基础模型结合成一个模型对象。
现在，输出维度（feature_array）将是(2250, 1, 1, 2048)（因为添加了平均池化层）。
为了避免ValueError，你需要将这个feature_array重塑为(2250, 2048)
feature_array = np.reshape(feature_array, (-1, 2048))在问题中程序的最后一行，
grid.fit(X_train, y_train)你使用了X_train（在这种情况下是图像）进行拟合。这里的正确变量应该是features_array（这被认为是图像的摘要）。输入这一行将纠正错误，
grid.fit(features_array, y_train)要通过提取特征向量进行更多此类微调，请查看这里（使用神经网络进行训练，而不是使用PCA和SVM）。
希望这对你有帮助！！
