如何在我们自己的模型上进行迁移学习？

Question

我正在尝试在我的 CNN 模型上应用转移学习，但出现以下错误。

model = model1(weights = "model1_weights", include_top=False)

----

TypeError: __call__() takes exactly 2 arguments (1 given)

谢谢

Answer 1

如果您尝试使用自定义模型进行迁移学习，答案取决于您保存模型架构（描述）和权重的方式。

1. 如果您将模型的描述和权重保存在单个 .h5 文件中。

您可以使用 keras 的 load_model 方法轻松加载模型。

from keras.models import load_model
model = load_model("model_path.h5")

2. 如果您将模型的描述和权重保存在单独的文件中（例如分别保存在 json 和 .h5 文件中）。

您可以先从 json 文件加载模型描述，然后加载模型权重。

form keras.models import model_from_json
with open("path_to_json_file.json") as json_file:
    model = model_from_json(json_file.read())
    model.load_weights("path_to_weights_file.h5")

加载旧模型后，您现在可以决定丢弃哪些层（通常这些层是顶部完全连接的层）以及冻结哪些层。假设你想使用模型的前五层而不再次训练，接下来的三层再次训练，最后一层被丢弃（这里假设网络层数大于八），以及在最后一层之后添加三个全连接层。这可以按如下方式完成。

冻结前五层

for i in range(5):
    model.layers[i].trainable = False

使接下来的三层可训练，如果所有层都是可训练的，则可以忽略这一点。

for i in range(5,8):
    model.layers[i].trainable = True

再添加三层

ll = model.layers[8].output
ll = Dense(32)(ll)
ll = Dense(64)(ll)
ll = Dense(num_classes,activation="softmax")(ll)

new_model = Model(inputs=model.input,outputs=ll)