个人中心
文章发布
退出
作者热门文章
- ubuntu12.04环境下使用kvm ioctl接口实现最简单的虚拟机
- Ubuntu 通过无线网络安装Ubuntu Server启动系统后连接无线网络的方法
- 在Ubuntu上搭建网桥的方法
- ubuntu 虚拟机上网方式及相关配置详解
25
4
CFSDN坚持开源创造价值，我们致力于搭建一个资源共享平台，让每一个IT人在这里找到属于你的精彩世界.
这篇CFSDN的博客文章Keras: model实现固定部分layer,训练部分layer操作由作者收集整理，如果你对这篇文章有兴趣，记得点赞哟.
需求：Resnet50做调优训练，将最后分类数目由1000改为500.
问题：网上下载了resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5，更改了Resnet50后，由于所有层均参加训练，导致训练速度慢。实际上只需要训练最后3层，前面的层都不需要训练.
解决办法:
①将模型拆分为两个模型，一个为前面的notop部分，一个为最后三层，然后利用model的trainable属性设置只有后一个model训练，最后将两个模型合并起来.
②不用拆分，遍历模型的所有层，将前面层的trainable设置为False即可。代码如下:
|
1
2
3
|
for
layer
in
model.layers[:
-
3
]:
print
(layer.trainable)
layer.trainable
=
False
|
注意事项:
①尽量不要这样:
layers.Conv2D(filters1, (1, 1), trainable=False)(input_tensor) 。
因为容易出错。。.
②加载notop参数时注意by_name=True. 。
补充知识：Keras关于训练冻结部分层 。
设置冻结层有两种方式.
（不推荐）是在搭建网络时，直接将某层的trainable设置为false，例如
layers.Conv2D(filters1, (1, 1), trainable=False)(input_tensor) 。
在网络搭建完成时，遍历model.layer,然后将layer.trainable设置为False
|
1
2
3
4
|
# 冻结网络倒数的3层
for
layer
in
model.layers[:
-
3
]:
print
(layer.trainable)
layer.trainable
=
False
|
也可以根据layer.name来确定哪些层需要冻结,例如冻结最后一层和RNN层:
|
1
2
3
4
|
for
layer
in
model.layers:
layerName
=
str
(layer.name)
if
layerName.startswith(
"RNN_"
)
or
layerName.startswith(
"Final_"
):
layer.trainable
=
False
|
可以在实例化之后将网络层的 trainable 属性设置为 True 或 False。为了使之生效，在修改 trainable 属性之后，需要在模型上调用 compile().
这是一个例子 。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
x
=
Input
(shape
=
(
32
,))
layer
=
Dense(
32
)
layer.trainable
=
False
y
=
layer(x)
frozen_model
=
Model(x, y)
# 在下面的模型中，训练期间不会更新层的权重
frozen_model.
compile
(optimizer
=
'rmsprop'
, loss
=
'mse'
)
layer.trainable
=
True
trainable_model
=
Model(x, y)
# 使用这个模型，训练期间 `layer` 的权重将被更新
# (这也会影响上面的模型，因为它使用了同一个网络层实例)
trainable_model.
compile
(optimizer
=
'rmsprop'
, loss
=
'mse'
)
frozen_model.fit(data, labels)
# 这不会更新 `layer` 的权重
trainable_model.fit(data, labels)
# 这会更新 `layer` 的权重
|
在网络搭建时，可以考虑最后一个分类层命名和分类数量关联，这样当费雷数量方式变化时，model.load_weight(“weight.h5”，by_name=True)不会加载最后一层 。
以上这篇Keras: model实现固定部分layer,训练部分layer操作就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持我.
原文链接：https://blog.csdn.net/SingingFisher/article/details/81093963 。
最后此篇关于Keras: model实现固定部分layer,训练部分layer操作的文章就讲到这里了,如果你想了解更多关于Keras: model实现固定部分layer,训练部分layer操作的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！ 。
25
4
0
我有兴趣在 tf.keras 中训练一个模型，然后用 keras 加载它。我知道这不是高度建议，但我对使用 tf.keras 来训练模型很感兴趣，因为 tf.keras 更容易构建输入管道 我想利用
我进行了大量搜索，但仍然无法弄清楚如何编写具有多个交互输出的自定义损失函数。 我有一个神经网络定义为: def NeuralNetwork(): inLayer = Input((2,));
我正在阅读一篇名为 Differential Learning Rates 的文章在 Medium 上，想知道这是否可以应用于 Keras。我能够找到在 pytorch 中实现的这项技术。这可以在 K
我正在实现一个神经网络分类器，以打印我正在使用的这个神经网络的损失和准确性: score = model.evaluate(x_test, y_test, verbose=False) model.m
我最近在查看模型摘要时遇到了这个问题。 我想知道，[(None, 16)] 和有什么区别？和 (None, 16) ?为什么输入层有这样的输入形状？ 来源:model.summary() can't
我正在尝试使用 Keras 创建自定义损失函数。我想根据输入计算损失函数并预测神经网络的输出。 我尝试在 Keras 中使用 customloss 函数。我认为 y_true 是我们为训练提供的输出，
我有一组样本，每个样本都是一组属性的序列(例如，一个样本可以包含 10 个序列，每个序列具有 5 个属性)。属性的数量总是固定的，但序列的数量(时间戳)可能因样本而异。我想使用这个样本集在 Keras
Keras 在训练集和测试集文件夹中发现了错误数量的类。我有 3 节课，但它一直说有 4 节课。有人可以帮我吗？ 这里的代码: cnn = Sequential() cnn.add(Conv2D(32
我想编写一个自定义层，在其中我可以在两次运行之间将变量保存在内存中。例如， class MyLayer(Layer): def __init__(self, out_dim = 51, **kwarg
我添加了一个回调来降低学习速度： keras.callbacks.ReduceLROnPlateau(monitor='val_loss', factor=0.5, patience=100,
在 https://keras.io/layers/recurrent/我看到 LSTM 层有一个 kernel和一个 recurrent_kernel .它们的含义是什么？根据我的理解，我们需要 L
问题与标题相同。 我不想打开 Python，而是使用 MacOS 或 Ubuntu。 最佳答案 Python 库作者将版本号放入 .__version__ 。您可以通过在命令行上运行以下命令来打印它:
Keras 文档并不清楚这实际上是什么。我知道我们可以用它来将输入特征空间压缩成更小的空间。但从神经设计的角度来看，这是如何完成的呢？它是一个自动编码器，RBM吗？ 最佳答案 据我所知，嵌入层是一个简
我想实现[http://ydwen.github.io/papers/WenECCV16.pdf]中解释的中心损失]在喀拉斯 我开始创建一个具有 2 个输出的网络，例如: inputs = Input
我正在尝试实现多对一模型，其中输入是大小为 的词向量d .我需要输出一个大小为 的向量d 在 LSTM 结束时。 在此 question ，提到使用(对于多对一模型) model = Sequenti
我有不平衡的训练数据集，这就是我构建自定义加权分类交叉熵损失函数的原因。但问题是我的验证集是平衡的，我想使用常规的分类交叉熵损失。那么我可以在 Keras 中为验证集传递不同的损失函数吗？我的意思是用
DL 中的一项常见任务是将输入样本归一化为零均值和单位方差。可以使用如下代码“手动”执行规范化: mean = np.mean(X, axis = 0) std = np.std(X, axis =
我正在尝试学习 Keras 并使用 LSTM 解决分类问题。我希望能够绘制 准确率和损失，并在训练期间更新图。为此，我正在使用 callback function . 由于某种原因，我在回调中收到的准
在 Keras 内置函数中嵌入使用哪种算法？Word2vec？手套？其他？ https://keras.io/layers/embeddings/ 最佳答案 简短的回答是都不是。本质上，GloVe 的
我有一个使用 Keras 完全实现的 LSTM RNN，我想使用梯度剪裁，梯度范数限制为 5(我正在尝试复制一篇研究论文)。在实现神经网络方面，我是一个初学者，我将如何实现？ 是否只是(我正在使用 r
我是一名优秀的程序员,十分优秀！