这实际上是我在stackoverflow上的第一篇文章，我对机器学习非常新。我目前正在尝试使用VGG16培训卷积神经网络，以进行简单的图像分类任务。它基于本教程：http：//www.codesofinterest.com/2017/08/bottleneck-features-multi-class-classification-classification-keras.html。我的目标是将此模型转换为Coreml，并将其用于iOS的图像分类。
经过一段斗争，我能够通过使用以下转换线成功将KERAS模型转换为Coreml模型：
coreml_model = coremltools.converters.keras.convert（'模型路径'，image_input_names ='data'，class_labels ='class path'）
然而，将Coreml模型复制到Xcode之后，它要求具有形状512,1,1的Multiarray（我想这是由于神经网络的图像阵列格式而发生的）还有其他几篇文章提到，使用特定版本的Keras，Tensorflow和Python（2.7）很重要这没有改变问题。
在Apple开发人员论坛中，他们建议将转换代码更改为以下行：
coreml_model = coremltools.converters.keras.convert（'模型路径'，input_names ='data'，image_input_names ='data'，is_bgr = true，class_labels ='class ='class path'）
这实际上似乎改变了某些东西，但是现在我无法将我的Keras模型转换为Coreml模型，获得了此特定错误：
valueerror：通道值512不支持图像输入
现在，这个问题似乎在于卷积神经网络的守则。有些人建议这可能是由于dim_ordering的KERAS（在我的情况下是最后的通道）和/或输入形状。但是，至少Input_shape看起来像图像。
任何人都有一个想法如何成功地将输入从多数组更改为图像？
预先感谢您的任何建议。
看起来您创建的模型不接受图像，而是512个元素的向量，因为第一个"真实"层是密集的层和密集的（或完全连接的层）以一维向量作为输入，而不是2维图像。
但是这里有一个更大的问题：您使用瓶颈功能微调VGG16，这是可以的。但是，要对新图像进行预测，您需要全部模型，即不仅是您训练的小分类器模型，还需要所有VGG16层。但是，您不会仅转换整个模型，而只能转换分类器部分。
这意味着您的应用现在期望瓶颈功能作为输入，而不是图像。这些瓶颈功能是512个元素向量。
我添加了相同的问题（usin vgg16），并因此而弄清楚了这篇文章，而matthijs hollemans答案：您必须保存整个型号，包括VGG16层。
。在我的代码中，我只保存顶部模型。
这是我为解决它所做的：
# add the model on top of the convolutional base
fullModel = Model(inputs=base_model.input, outputs=top_model(base_model.output))
with：
- base_model是您的基本模型（VGG16），没有其顶层
- top_model是您的顶级模型
在我的情况下是这样的：
base_model = applications.VGG16(include_top=False, weights='imagenet', input_shape=(img_width, img_height, 3))
....
top_model = Sequential() top_model.add(Flatten(input_shape=train_data.shape[1:]))
top_model.add(Dense(256, activation='relu'))
top_model.add(Dropout(0.5))
top_model.add(Dense(num_classes, activation='softmax'))