Keras 实现加载预训练模型并冻结网络的层

在解决一个任务时，我会选择加载预训练模型并逐步fine-tune。比如，分类任务中，优异的深度学习网络有很多。

ResNet, VGG, Xception等等… 并且这些模型参数已经在imagenet数据集中训练的很好了，可以直接拿过来用。

根据自己的任务，训练一下最后的分类层即可得到比较好的结果。此时，就需要“冻结”预训练模型的所有层，即这些层的权重永不会更新。

以Xception为例：

加载预训练模型：

 from tensorf<i style="color:transparent">来源gaodai$ma#com搞$代*码网</i>low.python.keras.applications import Xception model = Sequential() model.add(Xception(include_top=False, pooling='avg', weights='imagenet')) model.add(Dense(NUM_CLASS, activation='softmax'))

include_top = False : 不包含顶层的3个全链接网络

weights : 加载预训练权重

随后，根据自己的分类任务加一层网络即可。

网络具体参数：

model.summary

得到两个网络层，第一层是xception层，第二层为分类层。

由于未冻结任何层，trainable params为：20, 811, 050

冻结网络层：

由于第一层为xception，不想更新xception层的参数，可以加以下代码：

model.layers[0].trainable = False

冻结预训练模型中的层

如果想冻结xception中的部分层，可以如下操作：

 from tensorflow.python.keras.applications import Xception model = Sequential() model.add(Xception(include_top=False, pooling='avg', weights='imagenet')) model.add(Dense(NUM_CLASS, activation='softmax')) for i, layer in enumerate(model.layers[0].layers): if i > 115: layer.trainable = True else: layer.trainable = False print(i, layer.name, layer.trainable)

加载所有预训练模型的层

若想把xeption的所有层应用在训练自己的数据，并改变分类数。可以如下操作：

model = Sequential()
model.add(Xception(include_top=True, weights=None, classes=NUM_CLASS))

* 如果想指定classes，有两个条件：include_top：True， weights：None。否则无法指定classes

补充知识：如何利用预训练模型进行模型微调（如冻结某些层，不同层设置不同学习率等）

由于预训练模型权重和我们要训练的数据集存在一定的差异，且需要训练的数据集有大有小，所以进行模型微调、设置不同学习率就变得比较重要，下面主要分四种情况进行讨论，错误之处或者不足之处还请大佬们指正。

（1）待训练数据集较小，与预训练模型数据集相似度较高时。例如待训练数据集中数据存在于预训练模型中时，不需要重新训练模型，只需要修改最后一层输出层即可。

（2）待训练数据集较小，与预训练模型数据集相似度较小时。可以冻结模型的前k层，重新模型的后n-k层。冻结模型的前k层，用于弥补数据集较小的问题。

（3）待训练数据集较大，与预训练模型数据集相似度较大时。采用预训练模型会非常有效，保持模型结构不变和初始权重不变，对模型重新训练

（4）待训练数据集较大，与预训练模型数据集相似度较小时。采用预训练模型不会有太大的效果，可以使用预训练模型或者不使用预训练模型，然后进行重新训练。