Keras加载VGG16时include_top=False为何缺失层形状？

先看我在Keras中加载模型并打印摘要的代码：

model = applications.VGG16(include_top=True)
print(model.summary())

此时能看到所有层的具体形状：

Layer (type)                 Output Shape              Param #   
=================================================================
input_1 (InputLayer)         (None, 224, 224, 3)       0         
_________________________________________________________________
block1_conv1 (Conv2D)        (None, 224, 224, 64)      1792      
_________________________________________________________________
block1_conv2 (Conv2D)        (None, 224, 224, 64)      36928     
_________________________________________________________________
block1_pool (MaxPooling2D)   (None, 112, 112, 64)      0         
...

但当设置include_top=False时，所有层的空间维度都变成了None：

Layer (type)                 Output Shape              Param #   
=================================================================
input_1 (InputLayer)         (None, None, None, 3)     0         
_________________________________________________________________
block1_conv1 (Conv2D)        (None, None, None, 64)    1792      
_________________________________________________________________
block1_conv2 (Conv2D)        (None, None, None, 64)    36928     
_________________________________________________________________
block1_pool (MaxPooling2D)   (None, None, None, 64)    0         
...

请问这是什么原因？是否是我的操作出现了问题？

解答 #

这完全不是你的操作问题，是Keras预训练模型的设计逻辑导致的，具体原因如下：

• 当include_top=True时，VGG16会附带针对ImageNet数据集训练的顶部全连接层，而全连接层的输入维度是固定的（对应ImageNet标准的224×224输入尺寸），所以整个网络的输入和各层输出形状都被固定死了，summary()自然能显示具体的空间维度数值。
• 当include_top=False时，模型被设计成支持任意合法尺寸的输入图像（只要输入尺寸能被后续池化操作的步长整除），Keras用None来表示这种可变的空间维度，这样你可以根据自己的任务需求传入不同大小的输入（比如300×300、512×512等），模型都能正常处理。
• 如果想要在include_top=False时看到具体的层形状，你只需要在加载模型时显式指定input_shape参数即可，比如：

  model = applications.VGG16(include_top=False, input_shape=(224, 224, 3))
  print(model.summary())
  

  这样网络的输入维度被固定，各层的输出形状也会显示具体的数值。

内容的提问来源于stack exchange，提问作者corwin