我正在开发一种样式转换应用程序，该应用程序经过优化，可将特定样式（在我的情况下为“玻璃状”外观）应用于特定类型的图像（在本例中为描绘人或建筑的黑白图像）。为此，我想用在ImageNet图像上预训练的权重来微调Keras模型（VGG16）。对于如何微调这样的模型，我有点困惑，因为我没有进行图像分类，因此面向特征的类似乎不太有用。我的想法是，我可以修复模型的最深层，并在更高层上使用Keras的“拟合”功能对我的模型进行额外的训练图像进行微调。我相信我的训练图像可以使用以下两类来区分期望和不期望的结果：“适当样式化”图像和“不适当样式化”图像。但是，由于ImageNet的5+类看上去与“适当的样式”和“不适当的样式”确实不同，因此我不确定这种方法是否有效，或者我是否有一些基本的误解。我突然想到，我可以微调仅描绘适当样式图像的图像集，而我的类别将与图像的主题相对应，例如cifar-10的10类，但会涉及适合我需要的图像更好（在主题和样式上）。这两种方法中的哪一种对我来说会更好？另外，我是在以正确的方式考虑这个问题，还是不能出于自己的目的使用Keras拟合函数（并且可能需要一种更类似的方法，例如对每个训练图像使用scipy.optimize来最小化从头开始的两个损失函数） 。谢谢。