Keras MobileNet图像分类任务中include_top参数取值疑问

嘿，我来帮你理清这个问题～ 根据你的图像分类需求，include_top应该设置为True，具体原因和细节我给你拆解一下：

• 明确参数含义：include_top=True表示保留MobileNet自带的顶层全连接分类层。因为你是从头训练（weights=None），完全可以自定义classes=2来适配你的两类数据集，这正好匹配你的分类需求。
• 官方文档说明的适用场景：官方提到“input_shape仅在include_top为False时才需指定”，其实是针对使用预训练权重的情况。预训练权重是基于固定输入尺寸（比如224x224）训练的，如果include_top=True且用预训练权重，输入尺寸必须和预训练一致，不能修改；但当你设置weights=None时，所有层的参数都会从头初始化，此时即使include_top=True，指定input_shape=(64,64,3)是完全合法的，Keras会根据你给定的输入尺寸构建适配的模型。
• 你的代码是可行的：你写的model = MobileNet(weights=None, include_top=True, input_shape=(64, 64, 3), classes=2)完全没问题，Keras会正确创建一个输入为64x64彩色图像、输出2类分类结果的MobileNet模型，适合从头训练你的数据集。
• 如果设为False会怎样？：如果把include_top设为False，模型会去掉顶层分类层，输出的是MobileNet提取的特征（默认是1024维的全局池化特征），这时候你需要自己手动添加后续的分类层（比如Dense(2, activation='softmax')）才能完成分类，这会多一步操作，不符合你当前直接用顶层分类层的需求。

内容的提问来源于stack exchange，提问作者Teresa K.