所以我试图使用VGG16架构和imagenet权重在keras中进行一些迁移学习。我希望对最后几层进行随机权重和偏差训练，因此我使用model.pop（）摆脱了它们，并手动添加了最后几层。当调用model.summary（）时，它看起来完全一样，除了最后一层卷积层（我添加的层）中的参数数量从约230万增加到5100万。我不确定是什么原因导致参数的巨大增加？谁可以给我解释一下这个？这导致我的计算机在以下情况下资源用尽（我假设是ram，因为我只有16 GB）。以下是我用来构建模型的代码。
def build_model():
model = VGG16(weights='imagenet',include_top=True)
model.input
model.summary()
for l in model.layers:
l.trainable =False
model.layers.pop()
model.layers.pop()
model.layers.pop()
model.layers.pop()
model.layers.pop()
model.layers.pop()
model.layers.pop()
model.layers.pop()
orig = model.input
new_model = Conv2D(512,(14,14),activation='relu',padding='same',name='conv1')(model.get_layer('block4_pool').output)
new_model = Conv2D(512,(14,14),activation='relu',padding='same',name='conv2')(new_model)
new_model =Conv2D(512,(14,14),activation='relu',padding='same',name='conv3')(new_model)
new_model =MaxPooling2D((2,2),name='pool')(new_model)
new_model =Flatten(name='flatten')(new_model)
new_model =Dense(4096,activation='relu',name='fc1')(new_model)
new_model =Dense(1024,activation='relu',name='fc2')(new_model)
new_model =Dense(512,activation='relu',name='fc3')(new_model)
new_model =Dense(2,activation='softmax',name='output')(new_model)
model = Model(orig,new_model)
model.summary()
return model
我很着急，忘了输入model.summary（）的输出。 这是原始VGG16的摘要：
input_3（InputLayer）（无，224、224、3）0
block1_conv1（Conv2D）（无，224，224，64）1792
block1_conv2（Conv2D）（无，224，224，64）36928
block1_pool（MaxPooling2D）（无，112，112，64）0
block2_conv1（Conv2D）（无，112、112、128）73856
block2_conv2（Conv2D）（无，112、112、128）147584
block2_pool（MaxPooling2D）（无，56、56、128）0
block3_conv1（Conv2D）（无，56，56，56，256）295168
block3_conv2（Conv2D）（无，56、56、256）590080
block3_conv3（Conv2D）（无，56、56、256）590080
block3_pool（MaxPooling2D）（无，28，28，256）0
block4_conv1（Conv2D）（无，28、28、512）1180160
block4_conv2（Conv2D）（无，28、28、512）2359808
block4_conv3（Conv2D）（无，28、28、512）2359808
block4_pool（MaxPooling2D）（无，14，14，14，512）0
block5_conv1（Conv2D）（无，14，14，14，512）2359808
block5_conv2（Conv2D）（无，14，14，14，512）2359808
block5_conv3（Conv2D）（无，14，14，14，512）2359808
block5_pool（MaxPooling2D）（无，7，7，512）0
展平（展平）（无25088）0
fc1（密集）（无，4096）102764544
fc2（密集）（无，4096）16781312
总参数：138,357,544 可训练的参数：138,357,544 不可训练的参数：0
这是修改后的网络的输出：
input_3（InputLayer）（无，224、224、3）0
block1_conv1（Conv2D）（无，224，224，64）1792
block1_conv2（Conv2D）（无，224，224，64）36928
block1_pool（MaxPooling2D）（无，112，112，64）0
block2_conv1（Conv2D）（无，112、112、128）73856
block2_conv2（Conv2D）（无，112、112、128）147584
block2_pool（MaxPooling2D）（无，56、56、128）0
block3_conv1（Conv2D）（无，56，56，56，256）295168
block3_conv2（Conv2D）（无，56、56、256）590080
block3_conv3（Conv2D）（无，56、56、256）590080
block3_pool（MaxPooling2D）（无，28，28，256）0
block4_conv1（Conv2D）（无，28、28、512）1180160
block4_conv2（Conv2D）（无，28、28、512）2359808
block4_conv3（Conv2D）（无，28、28、512）2359808
block4_pool（MaxPooling2D）（无，14，14，14，512）0
conv1（Conv2D）（无，14，14，14，512）51380736
conv2（Conv2D）（无，14，14，14，512）51380736
conv3（Conv2D）（无，14，14，14，512）51380736
pool（MaxPooling2D）（无，7，7，7，512）0
展平（展平）（无25088）0
fc1（密集）（无，4096）102764544
fc2（密集）（无，1024）4195328
fc3（密集）（无，512）524800
总参数：269,263,170 可训练的参数：261,627,906 不可训练的参数：7,635,264