Python 3.x 训练具有不同输入形状的预训练序列模型

我有一个预先训练过的顺序CNN模型，我在224x224x3的图像上训练过。以下是体系结构：

model = Sequential()
model.add(Conv2D(filters = 64, kernel_size = (5, 5), strides = 1, activation = 'relu', input_shape = (224, 224, 3)))
model.add(MaxPool2D(pool_size = (3, 3)))
model.add(Dropout(0.2))

model.add(Conv2D(filters = 128, kernel_size = (3, 3), strides = 1, activation = 'relu'))
model.add(MaxPool2D(pool_size = (2, 2)))
model.add(Dropout(0.2))

model.add(Conv2D(filters = 256, kernel_size = (2, 2), strides = 1, activation = 'relu'))
model.add(MaxPool2D(pool_size = (2, 2)))
model.add(Dropout(0.2))

model.add(Flatten())
model.add(Dense(128, activation = 'relu', use_bias=False))

model.add(Dense(num_classes, activation = 'softmax'))     

model.summary()

以下是模型摘要，供参考：

我想在尺寸为40x40x3的图像上重新训练此模型。但是，我面临以下错误：“ValueError:layer Density_12的输入0与layer不兼容：输入形状的预期轴-1的值为200704，但收到的输入为shape（无，256）”。 我应该如何解决此错误

---

注意：我使用的是Tensorflow版本2.4.1，问题是，在预先训练的模型中，您有一个200704的扁平形状作为输入形状（最后一行的第4行），然后密集层的输出大小是128（最后一行的第3行）。现在你想对40X40的图像使用同样的预先训练过的模型，它将不起作用。原因是:

1-模型取决于输入图像形状。它不是端到端的conv模型，因为在模型之间使用密集层，这使得模型输入图像的大小依赖于此

2-所有conv层后40x40图像的展平大小为256，而不是200704

解决方案

1-或者使用自适应平均池层更改展平部分，然后使用softmax更改最后一个密集层即可。再次在224x224图像上重新训练旧模型。接下来，您可以在40x40图像上进行训练

---

2-或者最简单的方法是只使用预先训练的模型的子集，直到展平部分（不包括展平部分），然后添加具有密集层和分类层（具有softmax的层）的展平部分。对于这种方法，您必须编写一个自定义模型，如这里所示，只有第一部分是预训练模型的子集，而展平和分类部分是附加的。然后可以在新的数据集上训练整个模型。您还可以使用这种方法利用迁移学习的好处，只允许后向梯度通过新创建的线性层，而不通过预先训练的层。

您可以发布model.summary的输出吗？@BerkayBerabi我已经在问题中包含了model summary。请查收。：）非常感谢。第二种解决方案解决了这个错误。另外，keras.tensorflow中是否有自适应平均池的实现，还是仅在pytorch中有实现？这里有一个链接-