如何使用resnet50模型進行微調？

Question

我在互聯網上看到過很多關於如何微調VGG16和InceptionV3的示例，例如，有些人在微調VGG16時會將前25層設置為凍結。 對於InceptionV3，將凍結前172層。 但是resnet呢？ 進行微調時，將凍結基本模型的某些層，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

那么我應該如何設置Frozen_layers？ 實際上，當我使用VGG16，VGG19，ResNet50，InceptionV3等進行微調時，我不知道應該設置多少層凍結。 誰能給我一些關於如何微調這些模型的建議？ 特別是當人們對這些模型進行微調時，他們將凍結多少層？

Answer 1

很好奇.... VGG16模型共有23層...（ https://github.com/fchollet/keras/blob/master/keras/applications/vgg16.py ）

---

所有這些模型都具有類似的結構：

• 一系列卷積層
• 隨后是幾層致密層

這幾層密集的層被keras稱為top 。 （與include_top參數相同）。

通常，這種微調僅發生在最后的密集層中。 您讓卷積層（理解圖像並定位特征）不變地完成其工作，並創建適合您的個人班級的頂部。

人們經常創建自己的頂部，因為他們沒有與原始模型完全相同的課程。 因此他們改編了最后一部分，只訓練了最后一部分。

因此，您可以使用include_top=False創建一個模型，然后將其完全凍結。
現在，您可以添加自己的致密層並使它們可訓練。

這是這些模型的最常見的改編。

對於其他類型的微調，可能沒有明確的規則。