如何使用Keras中的深度学习模型来解决不适合imagenet数据集的问题？

Question

我关注了一篇关于如何从头开始实现vgg16-model的博客，我想用Keras的预训练模型来做同样的事情。我查了一些其他的博客，但我想找不到合适的解决方案。我的任务是将集成电路图像分为缺陷和非缺陷。

我在一篇论文中看到，他们使用vgg16的预训练imagenet模型进行织物缺陷检测，他们冻结了前七层，并针对自己的问题对后九层进行了微调。(来源：https://journals.sagepub.com/doi/full/10.1177/1558925019897396)

我已经看到了如何冻结除完全连接的层之外的所有层的示例，但我如何尝试冻结前x层的示例，并针对我的问题对其他层进行微调？

VGG16相当容易从头开始实现，但是对于像resnet或xception这样的模型，它变得有点棘手。

Answer 1

没有必要从头开始实现一个模型来冻结几个层。你也可以在预先训练好的模型上做到这一点。在keras中，您将使用trainable = False。

例如，假设您希望使用keras中预先训练好的Xception模型，并希望冻结前x层：

#In your includes
from keras.applications import Xception

#Since you're using the model for a different task, you'd want to remove the top
base_model = Xception(weights='imagenet', include_top=False)

#Freeze layers 0 to x
for layer in base_model.layers[0:x]:
    layer.trainable = False

#To see all the layers in detail and to check trainable parameters
base_model.summary()

理想情况下，您可能希望在此模型之上添加另一个层，并将输出作为您的类。有关更多详细信息，请查看此keras指南：https://keras.io/guides/transfer_learning/

很多时候，预先训练的权重在其他分类任务中可能非常有用，但如果您希望在数据集上从头开始训练模型，则可以在不使用imagenet权重的情况下加载模型。或者更好，加载权重，但不要冻结任何层。这将重新训练每一层，将imagenet权重作为初始化。

我希望我已经回答了你的问题。