在keras中微调预训练模型

Question

我想在keras中使用预训练的imagenet VGG16模型,并在顶部添加我自己的小型网站.我只对功能感兴趣,而不是对预测感兴趣

from keras.preprocessing.image import ImageDataGenerator, array_to_img, img_to_array, load_img
from keras.applications.vgg16 import VGG16
from keras.preprocessing import image
from keras.applications.vgg16 import preprocess_input
import numpy as np
import os
from keras.models import Model
from keras.models import Sequential
from keras.layers import Convolution2D, MaxPooling2D
from keras.layers import Activation, Dropout, Flatten, Dense

从目录加载图像(目录包含4个图像)

IF = '/home/ubu/files/png/'
files = os.listdir(IF)

imgs = [img_to_array(load_img(IF + p, target_size=[224,224])) for p in files]
im = np.array(imgs)

加载基础模型,预处理输入并获取功能

base_model = VGG16(weights='imagenet', include_top=False)

x = preprocess_input(aa)
features = base_model.predict(x)

这是有效的,我在预训练的VGG上获得了我的图像功能.

我现在想要微调模型并添加一些卷积层.我阅读了https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html和https://keras.io/applications/,但无法将它们整合在一起.

在顶部添加我的模型:

x = base_model.output
x = Convolution2D(32, 3, 3)(x)
x = Activation('relu')(x)
x = MaxPooling2D(pool_size=(2, 2))(x)
x = Convolution2D(32, 3, 3)(x)
x = Activation('relu')(x)
feat = MaxPooling2D(pool_size=(2, 2))(x)

建立完整的模型

model_complete = Model(input=base_model.input, output=feat)

停止学习基础层

for layer in base_model.layers:
layer.trainable = False

新模式

model_complete.compile(optimizer='rmsprop', 
          loss='binary_crossentropy')

现在适合新模型,模型是4个图像,[1,0,1,0]是类标签.但这显然是错误的:

model_complete.fit_generator((x, [1,0,1,0]), samples_per_epoch=100, nb_epoch=2)

ValueError: output of generator should be a tuple (x, y, sample_weight) or (x, y). Found: None

这是怎么做到的？

如果我只想替换最后一个卷积块(VGG16中的conv block5)而不是添加某些东西,我该怎么办呢？

我怎么只训练瓶颈功能？

功能输出features具有形状(4,512,7,7).有四个图像,但其他维度是什么？我如何将其减少为(1,x)数组？

Answer 1

拟合模型

生成器代码的问题在于fit_generator方法需要生成器函数生成适合您未提供的数据.您可以在已链接到的教程中定义生成器,也可以自己创建数据和标签,并自己适合您的模型:

model_complete.fit(images, labels, batch_size=100, nb_epoch=2)

其中图像是您生成的训练图像,标签是相应的标签.

删除最后一层

假设您有一个模型变量和下面描述的"pop"方法,您可以model = pop(model)删除最后一层.

仅培训特定图层 正如您在代码中所做的那样,您可以执行以下操作:

for layer in base_model.layers:
    layer.trainable = False

然后,您可以通过将其trainable属性更改为"解冻"和所需的图层True.

改变尺寸

要将输出更改为1D阵列,可以使用"展平"图层

流行方法

def pop(model):
    '''Removes a layer instance on top of the layer stack.
    This code is thanks to @joelthchao https://github.com/fchollet/keras/issues/2371#issuecomment-211734276
    '''
    if not model.outputs:
        raise Exception('Sequential model cannot be popped: model is empty.')
    else:
        model.layers.pop()
        if not model.layers:
            model.outputs = []
            model.inbound_nodes = []
            model.outbound_nodes = []
        else:
            model.layers[-1].outbound_nodes = []
            model.outputs = [model.layers[-1].output]
        model.built = False

    return model