Keras如何处理（？，）输入形状？能够在Cifar10上训练Keras VGG16，尽管输入形状小于最小值

我对Keras允许我训练我的模型感到非常困惑：我能够加载经过预训练的vgg16模型，将其与GlobalAvgPool和密集层连接起来，最终为CIFAR10输出10个类。然后就能够训练它（相当准确）

但是，当我在VGG16（）中显式指定输入_形状时，出现了ValueError，我意识到我的输入图像（批处理，32,32,3）应该无法通过网络，因为有5个MaxPool层，带有2x2过滤器和stride 2

ValueError：输入大小必须至少为48x48；得到'input_shape=（32,32,3）`

那么，Keras如何处理前一个案例，并且仍然允许继续进行培训

我的代码：

（x_列，y_列），（x_测试，y_测试）=cifar10.负载数据（）
批量大小=32
num_类=10
纪元=10
#将类向量转换为二进制类矩阵。
y_列=到_分类（y_列，num_类）
y_测试=to_分类（y_测试，num_类）
x_-train=x_-train.astype（'float32'）
x_test=x_test.astype（'float32'）
x_列/=255
x_检验/=255
从keras.applications.vgg16导入vgg16
从keras.models导入模型
从keras.layers导入稠密、全局平均池2D
从keras.optimizers导入Adam#rmsprop
从keras导入后端为K
从keras.callbacks导入模型检查点
def ourModel（）：
'''
返回直到模型（输入=，输出=）和冻结层步骤的模型。
优化器和编译器将分别定义。
'''
#创建基础预训练模型
基本模型=VGG16（权重='imagenet'，包括顶部=假）
#添加全局空间平均池层
x=基本模型输出
x=全局平均池2D（）（x）
#让我们添加一个完全连接的层
x=密集（512，激活='relu'）（x）
#还有一个逻辑层——假设我们有“num_类”的类
预测=密集（num_类，activation='softmax'）（x）
#这是我们将要训练的模型
模型=模型（输入=基本模型。输入，输出=预测）
#第一：只训练顶层（随机初始化）
#即冻结所有卷积层
对于基本模型层中的层：
layer.trainable=错误
回归模型