在凱拉斯定義模型

Question

我是深度學習和凱拉斯的新手。什麼是預訓練權重初始化權重='imagenet'是什麼意思用於在Keras中定義模型？

ResNet50(weights='imagenet') 

謝謝！

Answer 1

此代碼行創建一個名爲ResNet50的網絡體系結構（您可以找到關於它的更多信息here）。 weights='imagenet'使得Keras加載該網絡的權重，該網絡已經在imagenet數據集上接受過培訓。沒有這些信息，Keras只能夠準備網絡架構，但不能將任何權重設置爲「好」值，因爲它不知道模型的用途。這是通過指定數據集來確定的。

如果您正在使用其他數據集，那麼您將該模型用作預先訓練的模型。你可以找到關於這種技術的更多信息here;但總體思路是：在模型已經在任何複雜（圖像）數據集上進行訓練之後，它將在其最低層（大部分時間：卷積）中學習以檢測非常基本的特徵，例如邊緣，拐角等這有助於模型學習更快地分析自己的數據集，因爲它不必再學習檢測這些基本特徵。

Answer 2

以下@FlashTek答案，我們也可以在我們的數據集上訓練這個模型。

請看下面的代碼：

model = applications.ResNet50(weights = "imagenet", include_top=False, 
input_shape = (img_width, img_height,3)) 


# Freeze the layers which you don't want to train. Here I am freezing the first 30 layers. 
for layer in model.layers[0:30]: 
    layer.trainable = False 

for layer in model.layers[30:]: 
    layer.trainable = True 

#Adding custom Layers 
x = Flatten()(model.output) 
# x = Dense(1024, activation="relu")(x) 
# x = Dropout(0.5)(x) 
# x = Dense(1024, activation="relu")(x) 
# x = Dropout(0.5)(x) 
x = Dense(1024, activation="relu")(x) 
predictions = Dense(2, activation="softmax")(x) 

在上面的代碼中，我們可以是指定我們如何RESNET的許多層對我們的訓練數據集通過分配layer.trainable是真就訓練它你的數據集或否則爲false。

除此之外的，我們也可以在網絡後，如圖添加自定義層