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

Question

据我所知，输入元组从卷积块进入。所以如果我们想改变 input_tuple 的形状，修改卷积是有意义的。为什么我们需要 include_top=False 并删除最后的全连接层？

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 层

我知道我是这里缺少某些东西的人。请帮我

示例：对于 Inception Resnet V2

input_shape：可选形状元组，仅在 include_top 为 False 时指定（否则输入形状必须为 (299, 299, 3)（使用 'channels_last' 数据格式）或 (3, 299, 299)（使用 'channels_first' data format). 它应该正好有3个输入通道，宽度和高度应该不小于139。例如(150, 150, 3) 将是一个有效值。

include_top：是否包含网络顶部的全连接层。

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

Answer 1

这仅仅是因为最后的全连接层只能接受固定大小的输入，这在之前已经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全连接层的输入形状，从而使权重不兼容（矩阵大小不匹配且无法应用）。

这是全连接层的一个特定问题。如果使用另一层进行分类，比如全局平均池化，那么就不会有这个问题了。