如何在Keras中微调ResNet50？

Question

我正在尝试对Keras中的现有模型进行微调，以对我自己的数据集进行分类。到目前为止，我已经尝试了以下代码(摘自Keras文档：https://keras.io/applications/)，其中的初始V3在一组新的类上进行了微调。

from keras.applications.inception_v3 import InceptionV3
from keras.preprocessing import image
from keras.models import Model
from keras.layers import Dense, GlobalAveragePooling2D
from keras import backend as K

# create the base pre-trained model
base_model = InceptionV3(weights='imagenet', include_top=False)

# add a global spatial average pooling layer
x = base_model.output
x = GlobalAveragePooling2D()(x)
# let's add a fully-connected layer
x = Dense(1024, activation='relu')(x)
# and a logistic layer -- let's say we have 200 classes
predictions = Dense(200, activation='softmax')(x)

# this is the model we will train
model = Model(inputs=base_model.input, outputs=predictions)

# first: train only the top layers (which were randomly initialized)
# i.e. freeze all convolutional InceptionV3 layers
for layer in base_model.layers:
    layer.trainable = False

# compile the model (should be done *after* setting layers to non-trainable)
model.compile(optimizer='rmsprop', loss='categorical_crossentropy')

# train the model on the new data for a few epochs
model.fit_generator(...)

# at this point, the top layers are well trained and we can start fine-tuning
# convolutional layers from inception V3. We will freeze the bottom N layers
# and train the remaining top layers.

# let's visualize layer names and layer indices to see how many layers
# we should freeze:
for i, layer in enumerate(base_model.layers):
   print(i, layer.name)

# we chose to train the top 2 inception blocks, i.e. we will freeze
# the first 172 layers and unfreeze the rest:
for layer in model.layers[:172]:
   layer.trainable = False
for layer in model.layers[172:]:
   layer.trainable = True

# we need to recompile the model for these modifications to take effect
# we use SGD with a low learning rate
from keras.optimizers import SGD
model.compile(optimizer=SGD(lr=0.0001, momentum=0.9), loss='categorical_crossentropy')

# we train our model again (this time fine-tuning the top 2 inception blocks
# alongside the top Dense layers
model.fit_generator(...)

有没有人能告诉我，我应该在上面的代码中做些什么修改，以便对Keras中的ResNet50模型进行微调。

提前谢谢。

Answer 1

很难弄清楚一个特定的question，你有没有尝试过不做任何修改就直接复制代码呢？

也就是说，代码中有很多问题:它是一个简单的从keras.io复制/粘贴的代码，而不是函数式，并且在工作之前需要进行一些调整(无论使用ResNet50还是InceptionV3，都是如此)：

1)：加载InceptionV3时需要定义input_shape，特别是用base_model = InceptionV3(weights='imagenet', include_top=False, input_shape=(299,299,3))替换base_model = InceptionV3(weights='imagenet', include_top=False)

2)：此外，您需要调整最后添加的层中的类的数量，例如，如果您只有2个类：predictions = Dense(2, activation='softmax')(x)

3)：将模型从categorical_crossentropy编译为sparse_categorical_crossentropy时，更改损失函数

4)：最重要的是，在调用model.fit_generator()并添加steps_per_epoch之前，需要先定义fit_generator。如果你的训练图像在./data/train中，每个类别都在不同的子文件夹中，那么可以这样做：

from keras.preprocessing.image import ImageDataGenerator
train_datagen = ImageDataGenerator()
train_generator = train_datagen.flow_from_directory(
     "./data/train",
    target_size=(299, 299),
    batch_size=50,
    class_mode='binary')
model.fit_generator(train_generator, steps_per_epoch=100)

这当然只做基本的训练，例如，你需要定义保存调用来保持训练好的权重。只有当你的代码通过上面的更改在InceptionV3上工作时，我建议你继续为ResNet50实现这个:作为开始，你可以用ResNet50()替换InceptionV3() (当然只在from keras.applications.resnet50 import ResNet50之后)，并将input_shape改为(224,224,3)，将target_size改为(224,244)。

上面提到的代码更改应该适用于Python 3.5.3 / Keras 2.0 / Tensorflow后端。

Answer 2

除了上面关于ResNet50 (！)的答案中提到的要点之外如果您的图像被塑造成与原始Keras代码(224,224)中类似的格式(不是矩形)，您可以替换为：

# add a global spatial average pooling layer
x = base_model.output
x = GlobalAveragePooling2D()(x)

通过

x = base_model.output
x = Flatten(x)

编辑:请阅读@Yu-Yang评论

Answer 3

我想我也遇到过同样的问题。这似乎是一个复杂的问题，在github(https://github.com/keras-team/keras/issues/9214)上有一个很好的线索。问题在于对网络中未冻结的块进行批量标准化。您有两种解决方案：

1. 仅更改顶层(保留块原样)
2. 从上面的GitHub线程添加补丁。