如何在我们自己的模型上进行转移学习？

Question

我正在尝试在CNN模型上应用转移学习，但出现以下错误。

model = model1(weights = "model1_weights", include_top=False)

-

TypeError: __call__() takes exactly 2 arguments (1 given)

谢谢

Answer 1

如果您尝试通过自定义模型使用转移学习，答案取决于您保存模型架构（描述）和权重的方式。

1。如果您将模型的描述和权重保存在单个.h5文件中。

您可以使用keras的load_model方法轻松加载模型。

from keras.models import load_model
model = load_model("model_path.h5")

2。如果您将模型的描述和权重保存在单独的文件中（例如分别保存在json和.h5文件中）。

您可以先从json文件加载模型描述，然后加载模型权重。

form keras.models import model_from_json
with open("path_to_json_file.json") as json_file:
    model = model_from_json(json_file.read())
    model.load_weights("path_to_weights_file.h5")

在加载旧模型之后，您现在可以决定丢弃哪些层（通常是最上面的全连接层）以及要冻结的层。 假设您要使用模型的前五层而无需再次训练，接下来的三层将被再次训练，最后一层将被丢弃（此处假定网络层数大于八），并添加最后一层之后是三个完全连接的层。可以按照以下步骤进行。

冻结前五层

for i in range(5):
    model.layers[i].trainable = False

使接下来的三层可训练，如果所有层都可训练，则可以忽略这一点。

for i in range(5,8):
    model.layers[i].trainable = True

再添加三层

ll = model.layers[8].output
ll = Dense(32)(ll)
ll = Dense(64)(ll)
ll = Dense(num_classes,activation="softmax")(ll)

new_model = Model(inputs=model.input,outputs=ll)