如何将keras中的参数设置为不可训练？

Question

我是Keras的新手，正在建立模型。我想在训练前几层时冻结模型最后几层的权重。我试图将横向模型的可训练属性设置为False，但似乎不起作用。这是代码和模型摘要：

opt = optimizers.Adam(1e-3)
domain_layers = self._build_domain_regressor()
domain_layers.trainble = False
feature_extrator = self._build_common()
img_inputs = Input(shape=(160, 160, 3))
conv_out = feature_extrator(img_inputs)
domain_label = domain_layers(conv_out)
self.domain_regressor = Model(img_inputs, domain_label)
self.domain_regressor.compile(optimizer = opt, loss='binary_crossentropy', metrics=['accuracy'])
self.domain_regressor.summary()

模型摘要：模型摘要。

如您所见，model_1是可训练的。但是根据代码，它被设置为不可训练。

Answer 1

单词“trainble”中有一个拼写错误（缺少一个“a”）。可悲的是，keras 没有警告我该模型没有“trainble”属性。这个问题可以结束了。

Answer 2

尽管原始问题的解决方案是一个错字修复，但让我添加一些关于 keras 可训练的信息。

现代 Keras 包含以下用于查看和操作可训练状态的工具：

• tf.keras.Layer._get_trainable_state()函数 - 打印字典，其中键是模型组件，值是布尔值。请注意，这tf.keras.Model也是一个tf.Keras.Layer.
• tf.keras.Layer.trainable 属性 - 操纵各个层的可训练状态。

因此，典型的操作如下所示：

# Print current trainable map:
print(model._get_trainable_state())

# Set every layer to be non-trainable:
for k,v in model._get_trainable_state().items():
    k.trainable = False

# Don't forget to re-compile the model
model.compile(...)

Answer 3

您可以简单地将一个布尔值分配给layer属性trainable。

model.layers[n].trainable = False

您可以可视化可训练的图层：

for l in model.layers:
    print(l.name, l.trainable)

您也可以通过模型定义传递它：

frozen_layer = Dense(32, trainable=False)

从Keras 文档中：

To "freeze" a layer means to exclude it from training, i.e. its weights will never be updated. This is useful in the context of fine-tuning a model, or using fixed embeddings for a text input.
You can pass a trainable argument (boolean) to a layer constructor to set a layer to be non-trainable. Additionally, you can set the trainable property of a layer to True or False after instantiation. For this to take effect, you will need to call compile() on your model after modifying the trainable property.