Keras 如何更改已加载模型的可训练层

Question

我基于 vgg16 网络构建并训练了一个网络。 在原始网络中，我冻结了 vgg16 的所有层，只训练了我在 vgg16 末尾添加的最后 4 层。 现在我想通过更改可训练层以使用我自己的权重而不是 ImageNet 权重来加载和重新训练这个模型。 最初，我尝试通过使用以下代码更改 vgg16 的可训练层和模型权重来构建相同的模型。

# Load the VGG model
vgg_conv = VGG16(weights='imagenet', include_top=False, input_shape=(image_size, image_size, 3))

# Freeze n number of layers from the last
for layer in vgg_conv.layers[:-8]: layer.trainable = False 

# Check the trainable status of the individual layers
for layer in vgg_conv.layers: print(layer, layer.trainable)          

# Create and compile the model
model = createModel()
trained_model = keras.models.load_model(trained_dir)
model.set_weights(trained_model.get_weights())
model.compile(loss='categorical_crossentropy', optimizer=optimizers.RMSprop(lr=lr), metrics=['acc'])

但这给了我这个错误：

ValueError：无法为张量“Placeholder_869:0”提供形状 (3, 3, 3, 64) 的值，其形状为“(3, 3, 256, 512)”

当我检查原始网络和新网络的权重时，我发现某些权重的形状不同。 我还尝试更改原始网络的可训练层，但for layer in trained_model.layers: print(layer, layer.trainable)仅显示我添加的最后一层。 那么如何更改我自己的trained_model 的可训练层呢？ 还是有另一种方法可以获得相同的结果？

Answer 1

这可能是可能的解决方案。 我用上面的代码创建了一个基于 vgg16 的模型。 然后我通过运行以下代码更改了最后一层的权重： model.layers[1].set_weights(trained_model.layers[1].get_weights()) 。 由于我向 vgg16 添加了 4 个图层，因此我通过将图层索引从 1 更改为 4 来执行此代码。我还没有尝试过该模型。 如果这不是正确的解决方案，我会很高兴阅读您的答案。