如何在keras中将cifar10输入到inceptionv3

Question

我正在尝试使用 Inception v3 的预训练图像网络权重对 CIFAR10 图像进行分类。我正在使用以下代码。

from keras.applications.inception_v3 import InceptionV3

(xtrain, ytrain), (xtest, ytest) = cifar10.load_data()

input_cifar = Input(shape=(32, 32, 3))

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

但它在中间转换层给了我一个错误，比如“负维度”。

当我使用 VGG16 网络时不会发生这种情况。

我正在使用带有 tensorflow 后端和 tf dim ordernig 的 keras。

Answer 1

Inception 网络在 224x224 大小的图像上进行训练，它们的下采样路径下降到 10x10 以下。因此，对于 32,32,3 图像，下采样会导致负维度大小。现在你可以做很多事情了。首先，您可以将 cifar10 数据集中的每个图像的大小调整为 224x224，并将此张量传递给初始模型。您可以删除网络的一些下采样过滤器。然后它仍然可以工作。第三，您可以在不更改分辨率的情况下进行零填充以增加图像大小。

Answer 2

在这一层的documentation 中，人们可能会发现输入的最小形状是(150, 150, 3)（带有tf 暗排序）。您的输入要小得多。这个最小尺寸来自多个pooling 和valid 边界模式，这使得每一层的输出更小——如果它小于某个尺寸——既不执行池化也不执行卷积。

Answer 3

您需要将原始图像从 CIFAR10 (32, 32, 3) 上采样到至少 75, 75。

base_model2 = InceptionV3(include_top=False, weights='imagenet', input_shape=(128, 128, 3)) # shape of images after upsampling that inception will accept

for layer in base_model.layers: 
   layer.trainable = False

#input are original (32, 32, 3) images
inputs = tf.keras.layers.Input(shape=(32, 32, 3))
#upsampling twice (ie. 32*2*2 = 128) big enough for inception
upsamp1 = tf.keras.layers.UpSampling2D((2,2))(inputs)
upsamp2 = tf.keras.layers.UpSampling2D((2,2))(upsamp1)
pre_trained_model = base_model2(upsamp2)
dense4 = tf.keras.layers.Dense(128, activation='relu'). 
    (pre_trained_model)
predictions = tf.keras.layers.Dense(10, activation='softmax')(dense4)

model = Model(inputs = inputs, outputs = predictions)
model.compile(optimizer=Adam(learning_rate=0.01), loss='categorical_crossentropy', metrics=['accuracy']) 
model.fit(.......)

'