Keras/TensorFlow预训练ResNet50V2添加CNN层维度报错排查

• 先定位核心报错逻辑：Conv2D层要求输入必须为4维张量，维度顺序为(batch_size, 特征图高度, 特征图宽度, 通道数)，但实际接收到的是形状为(None, 2048)的2维张量，说明上游ResNet50V2的输出已经丢失了空间维度，被压缩成了一维特征向量，不满足卷积层的输入要求。
• 回溯ResNet50V2的初始化参数：加载预训练模型时你设置了pooling="avg"参数，同时指定include_top=False，该参数会自动在ResNet的卷积骨干末尾追加全局平均池化层，把原本形状为(None, h, w, 2048)的4维卷积特征图直接压缩为(None, 2048)的2维全局特征向量，卷积计算依赖的宽高空间维度被完全消除。
• 校验结构逻辑矛盾：自定义的CNN模块包含卷积、池化层，这类层的计算必须基于带空间维度的特征图，但你提前通过全局池化把特征压平，二者的输入输出维度完全不匹配，必然触发报错。
• 额外冗余代码提示：你的代码中重复写了两次model = Sequential()，第一次实例化的空模型未被任何变量引用、没有实际作用，可以直接删除。

根据你的实际建模需求二选一即可，两种方案不要混用：

方案1：保留自定义CNN结构 #

如果确实需要在预训练骨干后拼接自定义卷积模块，就移除ResNet50V2初始化时的pooling="avg"参数，让骨干直接输出4维卷积特征图：

base_model = ResNet50V2(include_top=False, weights="imagenet", input_shape=input_shape)
base_model.trainable = False
model = Sequential()
model.add(base_model)

# 自定义CNN结构可正常保留
model.add(Conv2D(32, (3, 3), activation='relu', kernel_initializer='he_uniform', padding='same'))
model.add(MaxPooling2D((2, 2), padding='same'))
model.add(Conv2D(64, (3, 3), activation='relu', kernel_initializer='he_uniform', padding='same'))
model.add(MaxPooling2D((2, 2), padding='same'))
model.add(Conv2D(128, (3, 3), activation='relu', kernel_initializer='he_uniform', padding='same'))
model.add(MaxPooling2D((2, 2), padding='same'))
model.add(Flatten())
model.add(Dense(128, activation='relu', kernel_initializer='he_uniform')) 
model.add(Dense(1, activation='sigmoid'))

注意：此时ResNet50V2输出的特征图尺寸和你的输入尺寸相关，比如输入为224224的RGB图像时，输出特征图尺寸为77*2048，后续堆叠池化层时要注意下采样比例，避免出现特征图尺寸减到0的异常。

方案2：保留全局平均池化，移除冗余CNN结构 #

如果你的目的是直接用预训练骨干提取全局图像特征，不需要额外做卷积特征提取，就保留pooling="avg"参数，删掉后续无法适配的卷积、池化、Flatten层，直接接全连接分类头即可：

base_model = ResNet50V2(include_top=False, weights="imagenet", input_shape=input_shape, pooling="avg")
base_model.trainable = False
model = Sequential()
model.add(base_model)

# 全局平均池化已经输出2维特征，直接接全连接层即可
model.add(Dense(128, activation='relu', kernel_initializer='he_uniform')) 
model.add(Dense(1, activation='sigmoid'))

补充说明：不存在“既保留全局平均池化输出的2维特征，又接卷积层”的可行方案，全局平均池化的计算过程是不可逆的，空间位置信息在池化时已经被丢弃，无法恢复为卷积层需要的4维特征图。

内容的提问来源于stack exchange，提问作者Phoenix