Python 重塑的RESNET50输入是一个值为1638400的张量，但需要25088的倍数

我有一个数据集，包含8个类的2513个图像，我想在上面微调ResNet50。这是我的代码：

导入keras
从keras.preprocessing.image导入ImageDataGenerator
从sklearn.model\u选择导入列车\u测试\u拆分
将matplotlib.pyplot作为plt导入
从tensorflow.keras.applications.resnet50导入resnet50
从tensorflow.keras.layers导入稠密、激活、重塑、Conv2D、展平、全局平均池2D、退出
将numpy作为np导入
从tensorflow.keras.models导入模型
从tensorflow.keras.optimizers导入SGD、Adam和Nadam
DATA_DIR='DATA/'
列车\数据发生器=图像数据发生器(
#重新缩放=1./255，
#剪切范围=0.2，
#缩放范围=0.2，
#水平翻转=真，
验证_分割=0.3
)
列车发电机=列车数据发电机。来自列车目录的流量（数据目录，
批次尺寸=50，
class_mode='classifical'，
("培训")
验证\u生成器=来自\u目录的列车\u datagen.flow\u(
数据目录，与培训数据目录相同
批次尺寸=50，
class_mode='classifical'，
subset='validation'）#设置为验证数据
#X_序列，X_测试，y_序列，y_测试=序列测试分割（X，y，测试大小=0.20，随机状态=33）
基本模型=ResNet50（权重=imagenet'，包括顶部=True）
head_模型=基础_模型。获取_层（“conv5_块1_1_conv”）。输出
头部模型=密集（512，activation=“relu”）（头部模型）
head_模型=辍学率（0.5）（head_模型）
head_模型=展平（）（head_模型）
#底出=重塑（25088，）（底出）
头部模型=密集（1，激活=“乙状结肠”）（头部模型）
#将头部FC模型放置在基础模型的顶部（这将成为
#我们将培训的实际模型）
模型=模型（输入=基本模型。输入，输出=头部模型）
model.summary（）
#在基础模型中的所有层上循环并冻结它们，以便它们
#*不*在第一次培训过程中更新
对于基本模型层中的层：
layer.trainable=错误
#sgd=sgd（lr=lrate，动量=0.9，衰变=衰变，nesterov=False）
亚当=亚当（lr=0.001）
compile（优化器=adam，loss='classifical_crossentropy'，metrics=['accurity']）
1.2型拟合发生器(
列车发电机，
每个历元的步长=序列生成器。样本//32，
验证数据=验证生成器，
验证\u步骤=验证\u生成器.samples//32，
时代=100）
模型保存（“asd.h5”）

但运行此命令会引发以下错误：

InvalidArgumentError：重塑的输入是一个值为1638400的张量，但请求的形状需要25088的倍数 [[node model_8/展平_7/重塑（定义于..）

---

我要做些什么来修复它？

看起来有两件事你需要考虑或保证。首先，你加载<代码> ReNET50 <它的代码>重量> /代码>和<代码>包含> 参数，但没有定义<代码>输入形状> /代码>，与默认值（<代码> 224, 224, 3 < /代码>）同时，您在

flow\u from\u directory

中定义生成器，您也没有设置

image\u size

，它使用

color\u mode=rgb

设置

（256，256）

。因此，您可能需要查看输入形状不匹配的问题。这也是

其次，正如您所提到的，您有8个类来分类，并为您的模型将损失函数设置为

category\u crossentropy

，那么您的最后一层应该更像这样：

# head_model = Dense(1, activation="sigmoid")(head_model) # No
head_model = Dense(8, activation="softmax")(head_model)   # Yes

在确保这些细节之后，模型应该按预期运行

from tensorflow.keras.applications import ResNet50
from tensorflow.keras.layers import Dense, Dropout, Flatten
from tensorflow.keras import Model 

base_model = ResNet50(weights='imagenet', include_top=True)
head_model = base_model.get_layer("conv5_block1_1_conv").output
head_model = Dense(512, activation="relu")(head_model)
head_model = Dropout(0.5)(head_model)
head_model = Flatten()(head_model)
head_model = Dense(8, activation="softmax")(head_model)
model = Model(inputs=base_model.input, outputs=head_model)

import numpy as np 
img = np.random.randint(0, 255, size=(2, 224, 224, 3))
model.compile(optimizer= 'adam', loss='categorical_crossentropy', 
               metrics=['accuracy'])
pred = model.predict(img)
pred.shape
(2, 8)