如何使用 Keras 的深度学习模型解决不适合 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 模型的博客，并希望对来自 Keras 的预训练 model 做同样的事情。 我查阅了其他一些博客，但找不到我认为合适的解决方案。 我的任务是将集成电路图像分类为缺陷或非缺陷。

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

我已经看到了有关如何冻结除完全连接层之外的所有层的示例，但是如何尝试冻结前 x 层并针对我的问题微调其他层的示例？

VGG16 从头开始实现相当容易，但对于 resnet 或 xception 等模型来说，它变得有点棘手。

Answer 1

没有必要从头开始实现 model 来冻结几层。 您也可以在预训练模型上执行此操作。 在 keras 中，您将使用 trainable trainable = False 。

例如，假设您想使用来自 keras 的预训练 Xception model 并想冻结前 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，您希望在此 model 之上添加另一层，并将 output 作为您的类。 有关更多详细信息，您可以查看此 keras 指南： https://keras.io/guides/transfer_learning/

很多时候，预训练的权重在其他分类任务中非常有用，但如果您想在数据集上从头开始训练 model，您可以在没有 imagenet 权重的情况下加载 model。 或者更好的是，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。