加载预训练模型微调时GlobalAveragePooling2D维度不兼容问题求助

兄弟，这个错误的根源很明确：你加载的model.h5的输出已经是2维张量（形状[None, 128]，也就是批量大小+128维特征），但GlobalAveragePooling2D层要求输入必须是4维张量（通常是[批量大小, 高度, 宽度, 通道数]，也就是卷积层输出的格式），所以才会报维度不兼容的错。

先搞清楚你的预训练模型结构 #

首先你得先确认加载的模型到底输出的是什么，运行下面的代码打印模型结构：

import tensorflow as tf

# 加载模型并打印结构
loaded_model = tf.keras.models.load_model('model.h5', compile=False)
loaded_model.summary()

看最后一层的输出形状，如果最后一层已经是Dense或者GlobalAveragePooling2D这类输出2D张量的层，那你就不需要再额外加GlobalAveragePooling2D了。

解决方案一：直接基于现有2D输出构建分类头 #

如果原模型的输出已经是扁平化的特征（比如你看到的[None,128]），那直接去掉多余的GlobalAveragePooling2D层，把后续的Dense层接上去就行：

def create_keras_model():
    model = tf.keras.models.load_model('model.h5', compile=False)
    resnet_output = model.output  # 形状是[None,128]的2D张量
    # 去掉GlobalAveragePooling2D，直接接Dense层
    layer2 = tf.keras.layers.Dense(units=256, use_bias=False, name='nonlinear')(resnet_output)
    # 二分类任务建议用softmax输出概率，relu不适合做分类输出层
    model_output = tf.keras.layers.Dense(units=2, use_bias=False, name='output', activation='softmax')(layer2)
    model = tf.keras.Model(model.input, model_output)
    return model

解决方案二：取原模型的卷积层输出构建分类头 #

如果你原本的意图是用原模型中卷积部分的输出（4维张量）来做全局池化，那你需要找到原模型中最后一个卷积层的名字，用它的输出作为输入：

def create_keras_model():
    model = tf.keras.models.load_model('model.h5', compile=False)
    # 替换成你模型中最后一个卷积层的名字，比如ResNet的典型命名是'conv5_block3_out'
    conv_output = model.get_layer('last_conv_layer_name').output
    # 现在conv_output是4维张量，可以正常使用GlobalAveragePooling2D
    layer1 = tf.keras.layers.GlobalAveragePooling2D()(conv_output)
    layer2 = tf.keras.layers.Dense(units=256, use_bias=False, name='nonlinear')(layer1)
    model_output = tf.keras.layers.Dense(units=2, use_bias=False, name='output', activation='softmax')(layer2)
    model = tf.keras.Model(model.input, model_output)
    return model

怎么找最后一个卷积层的名字？看loaded_model.summary()的输出，找类型是Conv2D的最后一层，它的名字就是你要填的。

内容的提问来源于stack exchange，提问作者seni