Python 基于keras-ResNet50模型的二元分类输出层

我试图使用Keras ResNet50实现来训练二值图像分类模型

我想在不使用转移学习的情况下测试模型，但当我尝试使用简单的密集层（带sigmoid激活）来更改输出层时，我在形状大小方面出现了错误

我的代码是：

baseModel= ResNet50(weights=None, include_top=False, classes=2, pooling=max)

output = baseModel.output
output = layers.Dense(1, activation='sigmoid')(output)

model = keras.models.Model(inputs=baseModel.input, outputs=output)

model.compile(optimizer=Adam(learning_rate=0.0001), loss='binary_crossentropy',  metrics=['accuracy'])

执行此操作时，我出现以下错误：

ValueError: logits and labels must have the same shape ((None, 7, 7, 1) vs (None, 1))

如果我在得到致密层之前添加一个展平层：

ValueError: The last dimension of the inputs to `Dense` should be defined. Found `None`.

---

我错过了什么？如何更改稠密层的输入形状？

对于您指定的ResNet，Top=False，pooling='max'，因此当前模型已向模型添加了最终的max pooling层。因此，请使用下面的代码：您不需要添加展平层，max pooling会为您展平输出

out=basemodel.layers[-1].output 
output = layers.Dense(1, activation='sigmoid')(out)

可以使用model.summary（）查看模型结构。

---

此外，不应使用class=2。当top为false时，不应指定类。

为什么不使用

ResNet50（weights=None，include\u top=True，classes=1）

？使用默认top，而不使用包含的权重不会包括imageNet数据集中用于预测的所有类？好的，我最好阅读文档和“类”为此目的，有很多争论。对于二进制分类，我应该使用1或2？您可以使用带有sigmoid激活函数的1个类，或者使用带有softmax激活函数的2个类。在您的代码中，您有output=layers.Dense（1，activation='sigmoid'）（out），但out在哪里定义？我猜你指的是输出。你能提供模型的第一行和最后一行吗？classes is：将图像分类到的可选类数，仅在include_top为True且未指定权重参数时指定。您有Top=False，所以不要为扩展回复指定classesThanks，这有助于我更好地理解修改现有模型的正确方法。这样做基本上与@jakub的评论相同，对吗？不管怎样，我尝试过这种方法，但它给了我同样的错误。我本应该理解这个逻辑，所以我会设法解决它。