如果我们需要更改input_shape，为什么还需要include_top = False？

Question

据我所知，输入元组从卷积块进入。 因此，如果我们想要更改input_tuple形状，修改卷积将是有意义的。 为什么我们需要include_top = False并在最后删除完全连接的图层？

另一方面，如果我们有不同数量的类，Keras可以选择使用no_of_classes更改softmax图层

我知道我在这里缺少一些东西。请帮帮我

示例：Forception Resnet V2

  

input_shape：可选的形状元组，仅在include_top时指定   是假（否则输入形状必须是（299,299,3）（有   'channels_last'数据格式）或（3,299,299）（带'channels_first'   数据格式）。它应该有3个输入通道，宽度和   身高不应小于139.例如（150,150,3）将是一个   有效价值。

     

include_top：是否在顶部包含完全连接的图层   网络。

https://keras.io/applications/#inceptionresnetv2

Answer 1

这仅仅是因为末端的完全连接的层只能采用固定大小的输入，这些输入先前已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会改变输入到完全连接的图层的形状，使得权重不兼容（矩阵大小不匹配且无法应用）。

这是完全连接的图层的特定问题。如果您使用其他图层进行分类，例如全局平均合并，则不会出现此问题。