我知道Inception V3的input_shape是(299,299,3)。但是在Keras中，如果input_shape是include_top，则可以构造具有自定义False的Inception V3版本。
“ input_shape：可选形状元组，仅在include_top为False时指定（否则，输入形状必须为(299, 299, 3)（具有'channels_last'数据格式）或(3, 299, 299)（具有'channels_first'数据格式） 。它应该恰好具有3个输入通道，并且宽度和高度应不小于75。例如(150, 150, 3)是一个有效值”-https://keras.io/applications/#inceptionv3
这怎么可能？为什么如果include_top是false，它只能具有自定义的input_shape？
最佳答案
这是可能的，因为模型是完全卷积的。卷积并不关心图像的大小，它们是“滑动滤镜”。如果图像较大，则输出较大，图像较小，则输出较小。 （不过，这些过滤器具有由kernel_size以及输入和输出过滤器定义的固定大小）
使用include_top时无法执行此操作，因为此模型可能使用的是Flatten()层，最后使用Dense层。 Dense层需要固定的输入大小（根据图像大小展平），否则将无法创建可训练的权重（具有可变数量的权重是没有意义的）
关于python - Keras中的Inception V3的自定义input_shape如何工作？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/54522336/