使用预训练Keras模型时出现输入张量错误该如何解决

• 调用Flatten层时直接传入了VGG19模型对象本身，而不是模型输出的张量。Keras层仅支持接收张量作为输入，不能直接传入模型实例。
• 自定义输入为4通道格式，而加载的预训练VGG19默认适配3通道RGB输入，直接调用会出现维度不匹配问题，需要提前做通道转换处理。

from tensorflow import keras
from tensorflow.keras import layers
from keras.applications.vgg19 import VGG19

inputs = layers.Input(shape = (32,32,4))
# 新增卷积层将4通道输入转为3通道，适配VGG19的输入要求
x = layers.Conv2D(3, (3,3), padding='same', activation='relu')(inputs)

vgg_model = VGG19(weights='imagenet', include_top=False, input_shape=(32,32,3))
vgg_model.trainable = False

# 先将输入张量传入VGG模型得到特征张量，再接入后续自定义层
x = vgg_model(x)
x = layers.Flatten(name='flatten')(x)
x = layers.Dense(512, activation='relu', name='fc1')(x)
x = layers.Dense(512, activation='relu', name='fc2')(x)
x = layers.Dense(1,name='predictions')(x)

new_model = keras.models.Model(inputs=inputs, outputs=x)
new_model.compile(optimizer='adam', loss='mean_squared_error', 
                   metrics=['mae'])

• 给VGG19显式指定input_shape参数，匹配输入图像尺寸，避免动态推断维度出错
• 新增1层卷积完成4通道到3通道的转换，对齐预训练模型的输入要求
• 修正了张量传递链路：先将输入张量传入VGG模型得到输出特征张量，再传入后续的Flatten和全连接层，符合Keras函数式API的调用规则

内容的提问来源于stack exchange，提问作者rayan