如何在keras2.0中使用InceptionV3瓶颈作为输入

Question

我想在Keras中使用InceptionV3来使用瓶颈进行迁移学习。 我使用了一些关于创建、加载和使用瓶颈的技巧 https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html

我的问题是我不知道如何使用瓶颈（numpy数组）作为具有新顶层的InceptionV3的输入。在

我得到以下错误：

ValueError: Error when checking input: expected input_3 to have shape (None, None, None, 3) but got array with shape (248, 8, 8, 2048)

248表示本例中的图像总数。在

我知道这条线是错的，但我不知道如何纠正它：

model = Model(inputs=base_model.input, outputs=predictions)

在InceptionV3中输入瓶颈的正确方法是什么？在

创建InceptionV3瓶颈：

^{1}$

加载瓶颈：

^{pr2}$

开始培训：

def start_training():
global nb_train_samples, nb_validation_samples

create_bottlenecks()

train_data, train_labels = load_bottlenecks(train_data_dir, train_bottlenecks_file)
validation_data, validation_labels = load_bottlenecks(validation_data_dir, validation_bottlenecks_file)

nb_train_samples = len(train_data)
nb_validation_samples = len(validation_data)

base_model = InceptionV3(weights='imagenet', include_top=False)

# add a global spatial average pooling layer
x = base_model.output
x = GlobalAveragePooling2D()(x)

# let's add a fully-connected layer
x = Dense(1024, activation='relu')(x)

# and a logistic layer -- let's say we have 2 classes
predictions = Dense(2, activation='softmax')(x)

# What is the correct input? Obviously not base_model.input.
model = Model(inputs=base_model.input, outputs=predictions)

# first: train only the top layers (which were randomly initialized)
# i.e. freeze all convolutional InceptionV3 layers
for layer in base_model.layers:
    layer.trainable = False

model.compile(optimizer=optimizers.SGD(lr=0.01, momentum=0.9), loss='categorical_crossentropy', metrics=['accuracy'])

# train the model on the new data for a few epochs
history = model.fit(train_data, train_labels,
                    epochs=epochs,
                    batch_size=batch_size,
                    validation_data=(validation_data, validation_labels),
)

任何帮助都将不胜感激！在

Answer 1

当您尝试使用与模型支持的形状不同的输入数据来训练模型时，会发生此错误。在

您的模型支持(None, None, None, 3)，这意味着：

• 任意数量的图像
• 任何高度
• 任何宽度
• 3个通道

因此，必须确保train_data（和validation_data）与此形状匹配。在

系统显示train_data.shape = (248,8,8,2048)

我看到train_data来自load_botlenecks。它真的应该是从那里来的吗？列车数据应该是什么？一个图像？还有别的事吗？什么是瓶颈？在

---

您的模型从Inception模型开始，并且Inception模型获取图像。在

但是，如果瓶颈已经是初始模型的结果，并且您只想为提供瓶颈，那么初始模型就不应该参与任何事情。在

开始时间：

inputTensor = Input((8,8,2048)) #Use (None,None,2048) if bottlenecks vary in size    
x = GlobalAveragePooling2D()(inputTensor)

.....

使用以下内容创建模型：

^{pr2}$

---

其理念是：

• 初始模型：映像->初始->瓶颈
• 您的模型：瓶颈->模型->标签

只有在没有预先加载瓶颈的情况下，这两个模型的组合才是必需的，但是您有自己的图像，您想首先预测瓶颈。（当然，您也可以使用不同的模型）

然后您只需要输入图像（瓶颈将由Inception创建并传递给您的模型，内部的所有内容）：

• 组合模型：图像->初始->瓶颈->模型->标签

为此：

inputImage = Input((None,None,3))
bottleNecks = base_model(inputImage)
predictions = model(bottleNecks)

fullModel = Model(inputImage, predictions)