keras 在预训练模型上设置可训练标志

Question

假设我有一个模型

from tensorflow.keras.applications import DenseNet201

base_model = DenseNet201(input_tensor=Input(shape=basic_shape))

model = Sequential()
model.add(base_model)

model.add(Dense(400))
model.add(BatchNormalization())
model.add(ReLU())

model.add(Dense(50, activation='softmax'))

model.save('test.hdf5')

然后我加载保存的模型并尝试使 DenseNet201 的最后 40 层可训练，而前 161 层 - 不可训练：

saved_model = load_model('test.hdf5')
cnt = 44
saved_model.trainable = False
  while cnt > 0:
      saved_model.layers[-cnt].trainable = True
      cnt -= 1

但这实际上不起作用，因为 DenseNet201 被确定为单层，我只是得到索引超出范围错误。

Layer (type)                 Output Shape              Param #   
=================================================================
densenet201 (Functional)     (None, 1000)              20242984  
_________________________________________________________________
dense (Dense)                (None, 400)               400400    
_________________________________________________________________
batch_normalization (BatchNo (None, 400)               1600      
_________________________________________________________________
re_lu (ReLU)                 (None, 400)               0         
_________________________________________________________________
dense_1 (Dense)              (None, 50)                20050     
=================================================================
Total params: 20,665,034
Trainable params: 4,490,090
Non-trainable params: 16,174,944

问题是我怎样才能真正使 DenseNet 的前 161 层不可训练，而后 40 层可在加载的模型上训练？

Answer 1

densenet201 (Functional) 是一个嵌套模型，因此您可以像访问 'topmost' 模型的层一样访问它的层。

saved_model.layers[0].layers

其中 saved_model.layers[0] 是一个有自己层的模型。

在你的循环中，你需要像这样访问层

saved_model.layers[0].layers[-cnt].trainable = True

更新

默认情况下，加载模型的层是可训练的 (trainable=True)，因此您需要将底层的 trainable 属性设置为 False。

keras 在预训练模型上设置可训练标志

keras setting trainable flag on pretrained model

python

machine-learning

conv-neural-network

keras

keras-layer