Question

我正在通过Keras的卷积神经网络（CNN）研究基于2D RGB像素的图像分类问题。我的完整CNN模型可以找到here。

我执行以下操作来训练/适合CNN模型：

model =  my_CNN_unet()

model_checkpoint = ModelCheckpoint('testweights_{epoch:02d}.hdf5')
model.fit(x_trn, y_trn, batch_size=50, epochs=3, verbose=1, shuffle=True,
callbacks=[model_checkpoint], validation_data=(x_val, y_val))

如何更改我的代码，以便我使用知名CNN架构（例如VGG和Inception

）的预训练权重（即转移学习）

Answer 1

正如人们在评论中提到的，keras.applications为您提供了访问预训练模型的方法。举个例子：

import keras
from keras.models import Model

model_base = keras.applications.vgg16.VGG16(include_top=False, input_shape=(*IMG_SIZE, 3), weights='imagenet')
output = model_base.output
# Add any other layers you want to `output` here...
output = Dense(len(categories), activation='softmax')(output)
model = Model(model_base.input, output)
for layer in model_base.layers:
   layer.trainable = False
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])
return model

您可以像训练以前的CNN一样训练此模型。 Keras应用程序提供对许多模型的访问，例如Inception，VGG16，VGG19，ResNet等 - 您可以以类似的方式访问它们。我写了一篇博文，介绍如何在Keras中使用转移学习来构建图像分类器：https://blogs.msdn.microsoft.com/devops/2015/09/04/supplying-run-time-parameters-to-tests/。它有一个可以查看的工作代码示例。

如何在现有的CNN模型中使用预先训练过的权重进行Keras的转学？

1 个答案: