如何使用resnet50模型进行微调？

Question

我在互联网上看到了许多关于如何微调VGG16和InceptionV3的例子。例如，一些人会在微调VGG16时将前25层设置为冻结。对于InceptionV3，头172个层将被冻结。但是resnet呢？当我们进行微调时，我们将冻结一些基本模型的层，如下所示：

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

那么我应该如何设置frozen_layers呢？实际上，当我使用VGG16、VGG19、ResNet50、InceptionV3 .etc进行微调时，我不知道应该冻结多少层。有人能给我关于如何微调这些模型的建议吗？特别是当人们对这些模型进行微调时，会冻结多少层呢？

Answer 1

这很奇怪..。VGG16模型共有23层.(https://github.com/fchollet/keras/blob/master/keras/applications/vgg16.py)

所有这些模型都有类似的结构：

• 一系列卷积层
• 接下来是几层稠密的层

这几个密集的层就是keras所称的top。(如include_top参数中的那样)。

通常，这种微调只发生在最后的密集层。您让卷积层(它们理解图像和定位功能)完成它们的工作，并创建适合您的个人类的顶级部分。

人们常常创造他们自己的顶端部分，因为他们没有完全相同的课程，原来的模型被训练。所以他们调整了最后一部分，只训练了最后一部分。

所以，使用include_top=False创建一个模型，然后将其完全冻结。

现在，您添加您自己的密集层，并留下这些可训练。

这是最常见的适应这些模式。

对于其他类型的微调，可能没有明确的规则。