如何用resnet50模型進行微調？

我在互聯網上看到過很多關於如何微調VGG16和InceptionV3的例子。例如，有些人在微調VGG16時會將前25層設置爲凍結。對於InceptionV3，前172層將被凍結。但是，如何resnet？當我們做微調的時候，我們會凍結一些底層模型，如下：如何用resnet50模型進行微調？

from keras.applications.resnet50 import ResNet50 

base_model = ResNet50(include_top=False, weights="imagenet", input_shape=(input_dim, input_dim, channels)) 

.............. 

for layer in base_model.layers[:frozen_layers]: 
    layer.trainable = False

那麼應該如何設置frozen_layers？實際上我不知道應該用VGG16，VGG19，ResNet50，InceptionV3等進行微調時，我應該設置多少層。任何人都可以給我關於如何微調這些模型的建議嗎？特別是當用這些模型進行微調時，有多少人會凍結？

來源

2017-10-11 Abraham Ben

我也聽說如果我們只訓練我們自己的密集層，這就是所謂的轉移學習。如果我們用小的學習速度在base_model中訓練一些圖層（如resnet，vgg .etc），則稱爲微調。我知道卷積塊有一些特殊的含義，那麼如何凍結基本模型中的圖層以便進行微調？ –

我在這個博客上看到這些：[building-powerful-image-classification-models-using-very-little-data]（https://blog.keras.io/building-powerful-image-classification-models-using- very-little-data.html） –

這就是好奇....的VGG16模型共有23層......（https://github.com/fchollet/keras/blob/master/keras/applications/vgg16.py）

所有這些模型也有類似的strucutre：

一系列卷積的其次幾個緻密層的層

這幾個緻密層一請問什麼是keras電話top。（如在include_top參數中）。

通常，這種微調只發生在最後的密集層。你讓卷積層（理解圖像和定位特徵）不改變他們的工作，並創建適合你個人課程的頂部。

人們經常創造自己的頂級部分，因爲他們沒有完全相同的原始模型訓練到的類。所以他們適應最後的部分，只訓練最後的部分。

所以，你創建一個模型include_top=False，然後你完全凍結它。
現在你添加自己的密集層，並留下這些可訓練的。

這是這些模型最常見的改編。

對於其他類型的微調，可能沒有明確的規則。

來源

2017-10-11 17:36:17

對不起vgg的錯誤。我的意思是人們會凍結vgg網絡，除了最後一個卷積塊以便更適應他們自己的數據，然後調整最後的卷積塊以及具有小學習率的密集層，如下所示：[vgg16 fine -tuning]（https://blog.keras.io/img/imgclf/vgg16_modified.png） –

如何用resnet50模型進行微調？

回答

相關問題