machine-learning - 如何使用resnet50模型进行微调？

Question

我在网上看到很多关于如何微调VGG16和InceptionV3的例子。例如，有人在微调VGG16时会设置卡住前25层。对于 InceptionV3，前 172 层将被卡住。但是 resnet 怎么样？当我们进行微调时，我们将卡住基础模型的某些层，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

那么我应该如何设置frozen_layers呢？其实我不知道当我用VGG16、VGG19、ResNet50、InceptionV3等进行微调时应该设置卡住多少层。谁能给我关于如何微调这些模型的建议？尤其是当人们对这些模型进行微调时，会卡住多少层？

Answer 1

这很奇怪...VGG16模型总共有23层...( https://github.com/fchollet/keras/blob/master/keras/applications/vgg16.py )

<小时/>

所有这些模型都有相似的结构:

• 一系列卷积层
• 后面是一些致密层

这几个密集层就是 keras 所说的top。 (如 include_top 参数中所示)。

通常，这种微调仅发生在最后的密集层中。您让卷积层(理解图像并定位特征)不变地完成其工作，并创建适合您个人类别的顶部部分。

人们经常创建自己的顶部部分，因为他们没有与原始模型训练的完全相同的类。所以他们调整最后的部分，并且只训练最后的部分。

因此，您使用 include_top=False 创建一个模型，然后将其完全卡住。
现在，您添加自己的密集层并使其可训练。

这是这些模型最常见的改编。

对于其他类型的微调，可能没有明确的规则。