为何TensorFlow预训练MobileNetV2缺少全连接层与分类输出层？

你实例化tf.keras.applications.MobileNetV2时设置了include_top=False，该参数的作用就是裁剪掉模型顶层用于ImageNet 1000类分类的全连接层模块，仅保留卷积特征提取部分，因此只能输出特征嵌入，这是问题的根本原因。

方案1：直接加载带预训练全连接层的完整模型 #

如果你的需求是直接使用预训练权重做ImageNet 1000类分类，直接修改include_top参数为True即可，修改后的代码如下：

import numpy as np
import PIL
import tensorflow as tf

image = np.array(PIL.Image.open("amsterdam.jpg"))
image = np.expand_dims(image,0)
IMG_SIZE = image.shape[1:3]
IMG_SHAPE = IMG_SIZE + (3,)
# 仅修改include_top参数为True即可保留全连接层
base_model = tf.keras.applications.MobileNetV2(input_shape=IMG_SHAPE,
                                               include_top=True,
                                               weights='imagenet')
# 配套MobileNetV2的输入预处理逻辑
preprocess_input = tf.keras.applications.mobilenet_v2.preprocess_input
processed_img = preprocess_input(image)
# 输出1000维分类概率
preds = base_model.predict(processed_img)
# 解码得到分类标签
print("预测结果Top3：", tf.keras.applications.mobilenet_v2.decode_predictions(preds, top=3)[0])

此时模型会自动加载与全连接层匹配的预训练权重，输出维度为1000。

方案2：在特征提取器后手动追加预训练全连接层 #

如果你需要保留include_top=False的特征提取结构，同时额外添加匹配预训练权重的全连接层，可以按以下逻辑实现：

import numpy as np
import PIL
import tensorflow as tf

image = np.array(PIL.Image.open("amsterdam.jpg"))
image = np.expand_dims(image,0)
IMG_SIZE = image.shape[1:3]
IMG_SHAPE = IMG_SIZE + (3,)

# 加载无顶层的特征提取器
base_model = tf.keras.applications.MobileNetV2(input_shape=IMG_SHAPE,
                                               include_top=False,
                                               weights='imagenet')
# 加载完整模型提取全连接层权重
full_pretrained_model = tf.keras.applications.MobileNetV2(input_shape=IMG_SHAPE,
                                                          include_top=True,
                                                          weights='imagenet')
fc_weights = full_pretrained_model.get_layer('predictions').get_weights()

# 拼接自定义模型
inputs = tf.keras.Input(shape=IMG_SHAPE)
x = base_model(inputs, training=False)
x = tf.keras.layers.GlobalAveragePooling2D()(x)
# 全连接层结构和预训练结构保持一致
outputs = tf.keras.layers.Dense(1000, activation='softmax', name='predictions')(x)
custom_model = tf.keras.Model(inputs, outputs)
# 加载预训练全连接层权重
custom_model.get_layer('predictions').set_weights(fc_weights)

该方式适合需要在特征提取层和分类层之间插入自定义逻辑的场景。

内容的提问来源于stack exchange，提问作者fstab