![](/img/trans.png)
[英]What is the difference between setting a Keras model trainable vs making each layer trainable
[英]keras setting trainable flag on pretrained model
假設我有一個模型
from tensorflow.keras.applications import DenseNet201
base_model = DenseNet201(input_tensor=Input(shape=basic_shape))
model = Sequential()
model.add(base_model)
model.add(Dense(400))
model.add(BatchNormalization())
model.add(ReLU())
model.add(Dense(50, activation='softmax'))
model.save('test.hdf5')
然后我加載保存的模型並嘗試使DenseNet201
的最后 40 層可訓練,前 161 層不可訓練:
saved_model = load_model('test.hdf5')
cnt = 44
saved_model.trainable = False
while cnt > 0:
saved_model.layers[-cnt].trainable = True
cnt -= 1
但這實際上不起作用,因為DenseNet201
被確定為單層,而我只是得到索引超出范圍錯誤。
Layer (type) Output Shape Param #
=================================================================
densenet201 (Functional) (None, 1000) 20242984
_________________________________________________________________
dense (Dense) (None, 400) 400400
_________________________________________________________________
batch_normalization (BatchNo (None, 400) 1600
_________________________________________________________________
re_lu (ReLU) (None, 400) 0
_________________________________________________________________
dense_1 (Dense) (None, 50) 20050
=================================================================
Total params: 20,665,034
Trainable params: 4,490,090
Non-trainable params: 16,174,944
問題是我如何才能真正使 DenseNet 的前 161 層不可訓練,而后 40 層可在加載的模型上訓練?
densenet201 (Functional)
是一個嵌套模型,因此您可以像訪問“最頂層”模型的層一樣訪問它的層。
saved_model.layers[0].layers
其中saved_model.layers[0]
是一個有自己層的模型。
在您的循環中,您需要像這樣訪問圖層
saved_model.layers[0].layers[-cnt].trainable = True
更新
默認情況下,加載模型的層是可訓練的( trainable=True
),因此您需要將底層的trainable
屬性設置為False
。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.