Keras 如果我们需要更改输入形状，为什么需要包含_top=False？
据我所知，输入元组是从卷积块进入的。 因此，如果我们想改变输入元组的形状，修改卷积是有意义的。 为什么我们需要包含_top=False并在末尾删除完全连接的层 另一方面，如果我们有不同数量的类，Keras可以选择使用无类更改softmax层 我知道我是在这里错过了什么。请帮帮我 示例：对于Inception Resnet V2 input_shape：可选形状元组，仅在包含_top时指定 为False（否则输入形状必须为（299299,3）（带 “channels\u last”数据格式）或（3299299）（带有“channels\u first” 数据格式）。它应该正好有3个输入通道，以及宽度和宽度 高度不应小于139。例如，（150，150，3）应为1 有效值 include_top：是否在顶部包含完全连接的层 网络的一部分Keras 如果我们需要更改输入形状，为什么需要包含_top=False？,keras,keras-layer,Keras,Keras Layer,据我所知，输入元组是从卷积块进入的。 因此，如果我们想改变输入元组的形状，修改卷积是有意义的。 为什么我们需要包含_top=False并在末尾删除完全连接的层 另一方面，如果我们有不同数量的类，Keras可以选择使用无类更改softmax层 我知道我是在这里错过了什么。请帮帮我 示例：对于Inception Resnet V2 input_shape：可选形状元组，仅在包含_top时指定 为False（否则输入形状必须为（299299,3）（带 “channels\u last”数据格式）或（3
这仅仅是因为端部完全连接的层只能接受固定大小的输入，这已经由输入形状和卷积层中的所有处理定义。对输入形状的任何更改都将改变输入到完全连接层的形状，使权重不兼容（矩阵大小不匹配，无法应用）
这是完全连接层的一个特定问题。如果您使用另一层进行分类，如全局平均池，则不会出现此问题。ohhh..非常感谢