在keras中定义模型（include_top = True）

有人能告诉我在 keras 中定义模型时 include_top= True 意味着什么吗？

我在 Keras 文档中读到了这一行的含义。它表示 include_top：是否包含网络顶部的全连接层。

我仍在寻找这行代码的直观解释。

ResNet50(include_top=True)

Thanks!

大多数这些模型是一系列卷积层，后面跟着一个或几个密集（或完全连接）层。

Include_top让您选择是否需要最终的致密层。

• 卷积层用作特征提取器。它们识别图像中的一系列图案，并且每一层都可以通过查看图案的图案来识别更复杂的图案。

• 密集层能够解释找到的模式以进行分类：该图像包含猫、狗、汽车等。

关于权重：

• 卷积层中的权重是固定大小的。它们是内核 x 过滤器的大小。示例：包含 10 个过滤器的 3x3 内核。卷积层不关心输入图像的大小。它只是进行卷积并根据输入图像的大小呈现结果图像。 （如果不清楚，可以搜索一些有关卷积的图解教程）

• 现在，密集层中的权重完全取决于输入大小。它是输入的每个元素一个权重。因此，这要求您的输入始终具有相同的大小，否则您将无法获得适当的学习权重。

因此，删除最终的密集层允许您定义输入大小（请参阅文档）。 （输出大小将相应增加/减少）。

但是你失去了解释/分类层。 （您可以根据您的任务添加自己的）

有关池化和展平的额外信息

全球池：

在最后一个卷积层之后，您的输出仍然像图像一样。他们有形状(images, X, Y, channels), where X and Y是二维图像的空间维度。

当你的模型有GlobalMaxPooling2D or GlobalAveragePooling2D，它将消除空间维度。和Max它将仅采用每个通道的最高值像素。和Average它将取每个通道的平均值。结果将只是(images, channels)，不再有空间维度。

• 优点：由于空间维度被丢弃，因此您可以拥有可变大小的图像
• 缺点：如果尺寸仍然很大，您会丢失大量数据。 （根据模型和数据，这可能没问题）

Flatten

扁平化后，空间维度不会丢失，但特征会发生变化。从(images, X, Y, channels) to (images, X*Y*channels).

这将需要固定的输入形状，因为X and Y必须定义，如果添加Dense压平后的层数，Dense层将需要固定数量的特征。