Keras中ImageNet模型的输出是什么？

Question

我试图了解转学。

在其中一个教程代码中，正在使用 ImageNet / MobileNetV2 模型。

模型的输出为4,4,1280，如屏幕截图所示。

它是网络的最终输出层吗？

实际上，我希望模型返回最终层的输出，其尺寸将是模型具有的分类类型的数量。例如，如果接受1000种不同类别的图像训练，则为1000,0,0。

所以这不是输出层吗？是吗？

还有，我指的代码是将GlobalAveragePooling应用于此(4,4,1280)层吗？

我们为什么要这样做？

Answer 1

  

它是网络的最终输出层吗？

不。加载模型时，使用了include_top=False。这意味着我们只需要针对转移学习问题的特征提取器（而不是与顶层，分类层一起针对不同的问题进行训练）。我们希望从该问题中提取特征的知识将对我们的问题有用。

base_model = tf.keras.applications.MobileNetV2(input_shape=IMG_SHAPE,
                                           include_top=False,
                                           weights='imagenet')

  

实际上，我希望模型返回最终层的输出，其尺寸将是模型具有的分类类型的数量。例如，如果接受1000种不同类别的图像训练，则为1000,0,0。

如果我们按以下方式加载模型（include_top=True，则可以看到输出现在具有1000个尺寸。

base_model = tf.keras.applications.MobileNetV2(input_shape=IMG_SHAPE,
                                           include_top=True,
                                           weights='imagenet')
base_mode.output
<tf.Tensor 'Logits/Identity:0' shape=(None, 1000) dtype=float32>

  

所以这不是输出层吗？是吗？

您的示例中的一个不是-它被称为瓶颈层。在我的示例中，上面的是。

  

此外，我要引用的代码是否将GlobalAveragePooling应用于此（4,4,1280）层？我们为什么要做这个？

这是将我们自己的分类器附加到特征提取器的第一步，特征提取器通常将具有较少的层，并以我们遇到的问题的类数结尾。训练时，我们将冻结特征提取器（大多数情况下），并且仅训练新添加的分类器。当进行微调时，瓶颈层的几层将被冻结并重新训练。