Question

您如何将通过ImageNet（约1000类）训练的InceptionV3，ResNet50等模型的迁移学习应用于1000多个类的问题？

我正在使用Keras，但可以接受其他解决方案。我对加载受过训练的网络（如ImageNet上的ResNet50）的所有权重（顶部除外（具有1000个单位的最终分类层））然后将网络的末端连接到我可以指定的其他层的想法很熟悉（完全连接的层，池等）。但是，在许多这样的网络中，最后一层之前的层少于3000个单位，因此添加超过3000个单位的层将成为扩展层，类似于自动编码器中的解码器。通常，我已经看到最后一层的大小有所减少。解决此问题的最佳方法是什么？

Keras应用程序中的示例为：

from keras.applications.inception_v3 import InceptionV3
from keras.preprocessing import image
from keras.models import Model
from keras.layers import Dense, GlobalAveragePooling2D
from keras import backend as K

# create the base pre-trained model
base_model = InceptionV3(weights='imagenet', include_top=False)

# add a global spatial average pooling layer
x = base_model.output
x = GlobalAveragePooling2D()(x)
# let's add a fully-connected layer
x = Dense(1024, activation='relu')(x)
# and a logistic layer -- let's say we have 200 classes
predictions = Dense(200, activation='softmax')(x)

Answer 1

这称为微调keras模型。您应该删除训练模型的最后一层，然后对于每一层，必须使用以下方法使权重更新为False：

layer.trainable=False

之后，您可以添加自定义图层

例如：如果需要，可以添加一个密集的层，包含1000多个类，并对其进行训练。然后，您可以在训练过程中更新最后一层的权重

有关更多帮助，请参阅此视频video 欢呼：-）

Answer 2

简单：在您的代码示例中，只需更改以下行：

predictions = Dense(200, activation='softmax')(x)

您要输入而不是200的任何数量的您想训练的课程，例如说你有3000节课。那应该是：

predictions = Dense(3000, activation='softmax')(x)

Keras转移学习超过1000堂课

2 个答案: