Keras中的预训练模型怎么使用

在Keras中使用预训练模型有两种常见的方法：迁移学习和模型微调。

1. 迁移学习： 迁移学习是指使用预训练模型的特征提取器来提取新数据集的特征，并将这些特征输入到自定义的分类器中进行训练。在Keras中，可以通过加载预训练模型的权重并冻结其所有层来实现迁移学习。下面是一个示例代码：

from keras.applications import ResNet50 from keras.preprocessing import image from keras.applications.resnet50 import preprocess_input from keras.models import Model from keras.layers import Dense, GlobalAveragePooling2D  # 加载ResNet50预训练模型 base_model = ResNet50(weights='imagenet', include_top=False)  # 添加自定义的分类层 x = base_model.output x = GlobalAveragePooling2D()(x) x = Dense(1024, activation='relu')(x) predictions = Dense(num_classes, activation='softmax')(x)  model = Model(inputs=base_model.input, outputs=predictions)  # 冻结预训练模型的所有层 for layer in base_model.layers:     layer.trainable = False  # 编译模型并训练 model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) model.fit_generator(...)  

2. 模型微调： 模型微调是指解冻预训练模型的一部分层，并重新训练这些层以适应新数据集。在Keras中，可以通过解冻预训练模型的部分层来实现模型微调。下面是一个示例代码：

# 解冻预训练模型的部分层 for layer in model.layers[:100]:     layer.trainable = False for layer in model.layers[100:]:     layer.trainable = True  # 编译模型并继续训练 model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) model.fit_generator(...) 

通过这两种方法，您可以灵活地使用预训练模型，并根据自己的需求进行迁移学习或模型微调。