在R Keras中使用内置卷积神经网络（ResNet50）训练数组格式图像数据的报错求助

我看到你遇到的问题了——用ResNet50（自定义训练、不包含顶层）配合数组数据训练时触发了报错，但简单CNN却能正常运行。核心问题其实出在ResNet50输出的特征图维度没有做适配处理，直接连接全连接层会导致维度不匹配的问题。

为什么会报错？ #

当设置include_top=FALSE时，ResNet50的输出是一个4维张量（形状为(batch_size, height, width, channels)，对于32x32的输入，输出大概是(100,1,1,2048)）。而layer_dense层要求输入是2维张量（(batch_size, features)），直接连接的话TensorFlow会抛出维度不兼容的错误——这就是你看到报错的根源。

反观你的简单CNN，最后用了layer_flatten()把4维特征图转成了2维向量，所以维度匹配，能正常运行。

修复方案：添加维度适配层 #

在ResNet50的输出和全连接层之间，添加一个全局池化层或者展平层即可解决问题。这里推荐用全局平均池化（更适合预训练模型，能减少参数、避免过拟合）：

修改后的完整代码

p <- 32 # ResNet的最小高/宽尺寸
toy_x <- array(runif(p*p*100*3), c(100, p, p, 3))
# 二分类任务建议把目标变量转成0/1整数类型
toy_y <- as.integer(runif(100) > 0.5)

# 定义并编译模型
input <- layer_input(shape = c(p, p, 3))
N1 <- application_resnet50(weights = NULL, input_tensor = input, include_top = FALSE)
output_layer_instance <- layer_dense(units = 1, activation = 'sigmoid')
# 添加全局平均池化层做维度适配
output <- input %>% N1() %>% layer_global_average_pooling_2d() %>% output_layer_instance()
model <- keras_model(input, output)
model %>% compile(loss = "binary_crossentropy", optimizer = "adam", metrics = c("accuracy"))

# 预处理数据（随机数据可跳过，但真实场景建议保留）
toy_x_preproc <- imagenet_preprocess_input(toy_x)

# 拟合模型
model %>% fit(toy_x_preproc, toy_y, epochs = 1)

额外注意事项 #

1. 目标变量类型：二分类任务中，toy_y最好是0/1的整数类型，避免浮点型带来的潜在类型匹配问题；
2. 数据类型检查：确保你的数组是float32类型（Keras默认期望浮点输入），可以用toy_x <- array(as.numeric(toy_x), dim=c(100,p,p,3))强制转换；
3. 预训练权重场景：如果后续改用weights="imagenet"的预训练模型，一定要用imagenet_preprocess_input做预处理，保证输入数据分布和预训练时一致。

内容的提问来源于stack exchange，提问作者AHP