Keras 修改ResNet50输出层以进行回归

我正在尝试为回归问题创建一个ResNet50模型，其输出值范围为-1到1

我省略了classes参数，在预处理步骤中，我将图像的大小调整为224,3

我尝试使用

def create_resnet(load_pretrained=False):
  if load_pretrained:
        weights = 'imagenet'
  else:
      weights = None

  # Get base model
  base_model = ResNet50(weights=weights)

  optimizer = Adam(lr=1e-3)
  base_model.compile(loss='mse', optimizer=optimizer)

  return base_model

然后创建模型，打印摘要并使用fit_生成器进行培训

   history = model.fit_generator(batch_generator(X_train, y_train, 100, 1),
                                  steps_per_epoch=300, 
                                  epochs=10,
                                  validation_data=batch_generator(X_valid, y_valid, 100, 0),
                                  validation_steps=200,
                                  verbose=1,
                                  shuffle = 1)

我得到一个错误，虽然它说

ValueError: Error when checking target: expected fc1000 to have shape (1000,) but got array with shape (1,)

查看模型摘要，这是有意义的，因为最终致密层的输出形状为（无，1000）

但我不知道如何修改模型。我已经阅读了Keras文档并查看了几个示例，但我看到的几乎都是针对分类模型的

---

如何修改模型，使其正确格式化以进行回归？

您的代码抛出了错误，因为您使用的是原始完全连接的顶层，该顶层经过培训，可将图像分类为1000个类中的一个。要使网络正常工作，您需要用自己的顶层替换该顶层，该顶层的形状应与数据集和任务兼容

下面是一个小片段，我使用它创建了一个ImageNet预训练模型，用于使用Keras进行回归任务（面部地标预测）：

NUM_OF_LANDMARKS=136
def创建_模型（输入_形状，top='flatte'）：
如果顶部不在（‘展平’、‘平均’、‘最大’）：
raise VALUERROR（'意外的顶层类型：%s'%top]
#将基础模型与新“头”连接
瓶颈层={
“展平”：展平（），
“avg”：GlobalAvgPooling2D（），
“max”：GlobalMapooling2D（）
}[顶部]
基本=接收resnetv2（输入形状=输入形状，
include_top=False，
权重（='imagenet'）
x=瓶颈层（基本输出）
x=密集（地标数量，激活='线性'）（x）
模型=模型（输入=基本输入，输出=x）
回归模型

在您的情况下，我想您只需要将

InceptionResNetV2

替换为

ResNet50

。基本上，您正在创建一个没有顶层的预训练模型：

base=ResNet50（input\u shape=input\u shape，include\u top=False）

然后将自定义图层附着到其上：

x=flatte（）（base.output）
x=密集（地标数量，激活='sigmoid'）（x）
模型=模型（输入=基本输入，输出=x）

就这样

您还可以从Keras存储库中进行检查，该存储库显示如何在内部构造

ResNet50

。我相信它会给你一些关于图层和替换的见解

---

另外，如果我们讨论微调预先训练好的ImageNet模型，我想说回归和分类任务没有那么大的不同。任务的类型主要取决于您的损失函数和顶层的激活函数。否则，您仍然有一个具有

N

输出的完全连接层，但它们的解释方式不同

fc1000 (Dense)                  (None, 1000)         2049000     avg_pool[0][0]