python - keras访问预训练模型的层参数以卡住

Question

我保存了一个具有多层的 LSTM。现在，我想加载它并微调最后一个 LSTM 层。如何定位该层并更改其参数？

训练和保存的简单模型示例:

model = Sequential()
# first layer  #neurons 
model.add(LSTM(100, return_sequences=True, input_shape=(X.shape[1], 
X.shape[2])))
model.add(LSTM(50, return_sequences=True))
model.add(LSTM(25))
model.add(Dense(1))
model.compile(loss='mae', optimizer='adam')

我可以加载并重新训练它，但我找不到一种方法来定位特定层并卡住所有其他层。

Answer 1

一个简单的解决方案是命名每个层，即

model.add(LSTM(50, return_sequences=True, name='2nd_lstm'))

然后，加载模型后，您可以迭代各层并卡住与名称条件匹配的层:

for layer in model.layers:
    if layer.name == '2nd_lstm':
        layer.trainable = False

然后您需要重新编译您的模型以使更改生效，然后您可以像往常一样恢复训练。