如何使用 Keras 的深度學習模型解決不適合 imagenet 數據集的問題？

Question

我關注了一篇關於如何從頭開始實現 vgg16 模型的博客，並希望對來自 Keras 的預訓練 model 做同樣的事情。 我查閱了其他一些博客，但找不到我認為合適的解決方案。 我的任務是將集成電路圖像分類為缺陷或非缺陷。

我在一篇論文中看到他們使用 vgg16 的預訓練 imagenet model 進行織物缺陷檢測，他們凍結了前七層並針對自己的問題微調了后九層。 （來源： https://journals.sagepub.com/doi/full/10.1177/1558925019897396 ）

我已經看到了有關如何凍結除完全連接層之外的所有層的示例，但是如何嘗試凍結前 x 層並針對我的問題微調其他層的示例？

VGG16 從頭開始實現相當容易，但對於 resnet 或 xception 等模型來說，它變得有點棘手。

Answer 1

沒有必要從頭開始實現 model 來凍結幾層。 您也可以在預訓練模型上執行此操作。 在 keras 中，您將使用 trainable trainable = False 。

例如，假設您想使用來自 keras 的預訓練 Xception model 並想凍結前 x 層：

#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()

理想情況下，您希望在此 model 之上添加另一層，並將 output 作為您的類。 有關更多詳細信息，您可以查看此 keras 指南： https://keras.io/guides/transfer_learning/

很多時候，預訓練的權重在其他分類任務中非常有用，但如果您想在數據集上從頭開始訓練 model，您可以在沒有 imagenet 權重的情況下加載 model。 或者更好的是，加載權重但不要凍結任何層。 這將重新訓練每一層，將 imagenet 權重作為初始化。

我希望我已經回答了你的問題。