Question

我正在学习Keras和功能性API的用法，特别是关于将预训练的VGG16模型用于另一个分类任务的知识，我遇到了这段代码：

baseModel = VGG16(weights="imagenet", include_top=False,  input_tensor=Input(shape=(224, 224, 3)))
headModel=baseModel.output
headModel=Flatten(name="flatten")(headModel)
headModel=Dense(D, activation="relu")(headModel)
headModel=Dropout(0.5)(headModel)
headModel = Dense(classes, activation="softmax")(headModel)
model = Model(inputs=baseModel.input, outputs=headModel)

最后一行，特别是baseModel.input部分让我感到困惑。在official tutorial中，inputs参数接收张量，该张量指定输入层的外观，其余outputs模型的其余部分：

from keras.models import Model
from keras.layers import Input, Dense
a = Input(shape=(32,))
b = Dense(32)(a)
model = Model(inputs=a, outputs=b)

此模型将包含给定a的b的计算所需的所有层。

但是，在前面的示例中，baseModel.input用于指定VGG16模型的整体，减去用于创建headModel的层（新部分）。从文档中，input属性是从Layer object继承的：

输入

检索图层的输入张量。

如果我仅在构造函数中将模型的输入张量指定为Model，那么inputs类将如何构建完整的VGG16模型+ headModel？

Answer 1

我要说的是，当实例化无头VGG时，将自动创建一个Input层，它是const files = fs.readdirSync(__dirname) files.forEach(rawName => { const routesArr = require(`./${rawName}`) //remove extension const routeName = rawName.replace(/(.*)\.[^.]+$/, '$1') module.exports[routeName] = routesArr })的返回值。然后，它将所有计算都跟踪到最后一个baseModel.input，因此在headModel至baseModel.input之间存在一个图。

Answer 2

baseModel.input是VGG网络的Input层，而baseModel.output是模型输出的符号张量，因此，当您在{{1 }}，您将隐式连接到VGG模型的同一计算图，因此baseModel.output类可以将最后一个Model层（Dense变量）的输出追溯到VGG网络的输入。

当headModel跟踪用于构建模型的符号张量时，此操作在内部完成。最后，这是功能性API的重点，可以轻松地在其他预先构建的模型之上构建模型。

不确定是否可以微调Keras Functional API

2 个答案: