如何使用Keras Applications预训练CNN搭建多输出模型并解决输入报错

核心错误1：输入通道不匹配 #

你收到的报错：

ValueError: Input 0 of layer block1_conv1 is incompatible with the layer: expected axis -1 of input shape to have value 3 but received input with shape (None, 64, 64, 1)
触发原因：你加载的VGG16使用ImageNet预训练权重，该权重是基于3通道RGB图像训练的，代码中也定义了输入形状最后一维为3，但你实际传入的训练数据是单通道灰度图，维度不匹配。
解决方法：
如果要保留预训练权重做迁移学习，直接把输入数据的单通道复制为3通道即可：

# 假设x_train、x_test原始形状为(样本数, 64, 64, 1)
x_train = np.repeat(x_train, 3, axis=-1)
x_test = np.repeat(x_test, 3, axis=-1)

如果不需要使用预训练权重，可以直接修改VGG16的输入参数适配单通道：

base_model = VGG16(weights=None, include_top=False, input_shape=(IMG_HEIGHT, IMG_WIDTH, 1))

核心错误2：变量名未定义 #

你的性别分类分支代码中，Dropout层传入了不存在的变量gender_x，会触发NameError，直接修正变量名即可：

# 原错误代码
sex_x = Dropout(0.5)(gender_x)
# 修正后
sex_x = Dropout(0.5)(sex_x)

可选优化点 #

• 性别是二分类任务，你当前用2个神经元加sigmoid激活的写法可以简化为1个神经元加sigmoid激活，减少参数冗余，对应标签只要是0/1格式的一维数组即可
• 多输出训练可以单独指定每个输出的损失权重、评估指标，训练结果更直观：

model.compile(
    optimizer = 'adam',
    loss =['binary_crossentropy','mae'],
    loss_weights = [1, 0.5], # 可根据两个任务的优先级调整权重占比
    metrics={'dense':'accuracy', 'dense_1':'mae'} # 按输出层名称对应指定评估指标
)

你搭建多输出模型的分支结构逻辑本身没有问题，修正上述错误后即可正常运行。

内容的提问来源于stack exchange，提问作者Zuckerbrenner