Question

我在互联网上看到过很多关于如何微调VGG16和InceptionV3的例子。例如，有些人会在微调VGG16时将前25个图层设置为冻结。对于InceptionV3，前172个图层将被冻结。但是resnet怎么样？当我们进行微调时，我们将冻结基本模型的某些层，如下所示：

from keras.applications.resnet50 import ResNet50

base_model = ResNet50(include_top=False, weights="imagenet", input_shape=(input_dim, input_dim, channels))

..............

for layer in base_model.layers[:frozen_layers]:
    layer.trainable = False

那么我应该如何设置frozen_layers？实际上，当我使用VGG16，VGG19，ResNet50，InceptionV3等进行微调时，我不知道应该设置多少层冻结。谁能给我一些关于如何微调这些模型的建议？特别是当用这些模型进行微调时，人们会冻结多少层？

Answer 1

这很奇怪.... VGG16模型总共有23层...（https://github.com/fchollet/keras/blob/master/keras/applications/vgg16.py）

所有这些模型都有类似的结构：

一系列卷积层
后面是几个密集的层

keras称之为top的几个密集层。（与include_top参数中一样）。

通常，这种微调只发生在最后的密集层中。你让卷积层（理解图像和定位特征）不做任何改变，并创建适合你个人课程的最佳部分。

人们经常创建他们自己的顶级部分，因为他们没有与原始模型训练的完全相同的类。因此，他们调整最后的部分，并只训练最后的部分。

因此，您使用include_top=False创建模型，然后将其完全冻结现在你添加自己的密集层并留下这些可训练的层。

这是这些模型中最常见的改编。

对于其他类型的微调，可能没有明确的规则。

如何使用resnet50模型进行微调？

1 个答案: