如何用Keras加载预训练模型并冻结哪些层的参数？

本文共计1067个文字，预计阅读时间需要5分钟。

在处理任务时，我会选择加载预训练的模型并逐步进行微调。例如，在分类任务中，有很多表现优异的深度学习网络，如ResNet、VGG、Xception等。这些模型的参数已在ImageNet数据集上进行了训练。

在解决一个任务时，我会选择加载预训练模型并逐步fine-tune。比如，分类任务中，优异的深度学习网络有很多。

ResNet, VGG, Xception等等... 并且这些模型参数已经在imagenet数据集中训练的很好了，可以直接拿过来用。

根据自己的任务，训练一下最后的分类层即可得到比较好的结果。此时，就需要“冻结”预训练模型的所有层，即这些层的权重永不会更新。

以Xception为例：

加载预训练模型：

from tensorflow.python.keras.applications import Xception model = Sequential() model.add(Xception(include_top=False, pooling='avg', weights='imagenet')) model.add(Dense(NUM_CLASS, activation='softmax'))

include_top = False : 不包含顶层的3个全链接网络

weights : 加载预训练权重

随后，根据自己的分类任务加一层网络即可。

网络具体参数：

model.summary

得到两个网络层，第一层是xception层，第二层为分类层。