如何使用现有CNN模型中的预训练权重在Keras中进行迁移学习？

Question

我正在通过Keras中的卷积神经网络（CNN）处理基于2D RGB像素的图像分类问题。 我的完整CNN模型可以在这里找到。

我执行以下操作来训练/拟合CNN模型：

model =  my_CNN_unet()

model_checkpoint = ModelCheckpoint('testweights_{epoch:02d}.hdf5')
model.fit(x_trn, y_trn, batch_size=50, epochs=3, verbose=1, shuffle=True,
callbacks=[model_checkpoint], validation_data=(x_val, y_val))

如何更改代码，以便使用来自VGG和Inception等著名CNN架构的预训练权重（即，转移学习）

Answer 1

正如人们在评论中提到的那样， keras.applications为您提供了一种访问预训练模型的方法。 举个例子：

import keras
from keras.models import Model

model_base = keras.applications.vgg16.VGG16(include_top=False, input_shape=(*IMG_SIZE, 3), weights='imagenet')
output = model_base.output
# Add any other layers you want to `output` here...
output = Dense(len(categories), activation='softmax')(output)
model = Model(model_base.input, output)
for layer in model_base.layers:
   layer.trainable = False
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])
return model

您可以按照训练以前的CNN的相同方式训练模型。 Keras应用程序提供对许多模型的访问，例如Inception，VGG16，VGG19，ResNet等-您可以通过类似的方式访问它们。 我写了一篇博客文章，其中介绍了如何在Keras中使用转移学习来构建图像分类器： http : //innolitics.com/10x/pretrained-models-with-keras/ 。 您也可以查看一个工作代码示例。