Image CoreML转换的keras模型请求多数组输入，而不是Xcode中的图像

这实际上是我在Stackoverflow上的第一篇文章，我对机器学习还很陌生。我目前正在尝试使用VGG16为简单的图像分类任务训练卷积神经网络。 它基于本教程：。 我的目标是将此模型转换为CoreML，并将其用于iOS上的图像分类

经过一番努力，我能够通过使用以下转换线成功地将Keras模型转换为CoreML模型：

coreml\u model=coremltools.converts.keras.convert（'model Path'，image\u input\u name='data'，class\u labels='class Path'）

但是，将CoreML模型复制到Xcode后，它会请求一个形状为512,1,1的多数组（我猜这是由于神经网络的图像数组格式造成的） 还有其他几篇文章提到使用keras、tensorflow和python（2.7）的特定版本很重要 这并没有改变问题

在Apple开发者论坛上，他们建议将转换代码更改为以下行：

coreml\u model=coremltools.converts.keras.convert（'model path'，input\u names='data'，image\u input\u names='data'，is\u bgr=True，class\u labels='class path'）

事实上，这似乎改变了一些东西，但是现在我无法将我的keras模型转换为CoreML模型，出现了以下具体错误：

ValueError:图像输入不支持通道值512

现在看来问题在于卷积神经网络的编码。一些人认为，这可能是由于keras的dim_顺序（这是我的案例中的最后一个通道）和/或输入形状造成的。但是，至少输入的形状看起来像一个图像

有人知道如何将多阵列输入成功更改为图像吗？

---

提前感谢您的建议。

您创建的模型似乎不接受图像，而是512个元素的向量，因为第一个“真实”层是密集层，密集层（或完全连接的层）以一维向量作为输入，而不是二维图像

但这里有一个更大的问题：您使用瓶颈特性对VGG16进行了微调，这是可以的。但要对新图像进行预测，您需要整个模型，即不仅需要您训练的小分类器模型，还需要所有VGG16层。但您并没有转换整个模型，只转换分类器部分

这意味着您的应用程序现在希望瓶颈功能作为输入，而不是图像。这些瓶颈特性是512个元素向量。

我添加了相同的问题（在VGG16中使用）并解决了它，多亏了这篇文章和Matthijs Hollemans的回答：你必须保存整个模型，包括VGG16层

在我的代码中，我只保存了顶层模型

以下是我为解决这个问题所做的：

# add the model on top of the convolutional base  
fullModel = Model(inputs=base_model.input, outputs=top_model(base_model.output))  

与：

• 基本模型是没有顶层的基本模型（VGG16）
• 顶级模特是你的顶级模特吗

在我的例子中，类似这样的情况：

base_model = applications.VGG16(include_top=False, weights='imagenet', input_shape=(img_width, img_height, 3))  
....  
top_model = Sequential()  top_model.add(Flatten(input_shape=train_data.shape[1:]))  
top_model.add(Dense(256, activation='relu'))  
top_model.add(Dropout(0.5))  
top_model.add(Dense(num_classes, activation='softmax'))  

---

我在看输入是如何形成的，你是对的。但是，图像似乎是通过以下代码以形状（1,1512）的数组加载的：瓶颈特征验证=模型。预测特征生成器（生成器，预测大小验证）np.save（'瓶颈特征验证.npy'，瓶颈特征验证）)我是否必须解决此问题和/或实际更改第一层模型。添加（Dense（10，activation='relu'））在新预测的情况下，我是否必须添加VGG16层并像以前一样保存？如果您想使用此模型在iOS上对图像进行预测，则必须添加VGG16层（不包括顶层）然后是您自己的分类器层，并将整个内容转换为核心ML。