如何在Keras中使用预训练的模型进行迁移学习

在Keras中使用预训练的模型进行迁移学习可以通过以下步骤实现：

1. 加载预训练的模型：

from keras.applications import VGG16

base_model = VGG16(weights='imagenet', include_top=False, input_shape=(224, 224, 3))

1. 冻结预训练模型的层：

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

1. 在预训练模型的顶部添加自定义的全连接层或其他层：

from keras.models import Model
from keras.layers import Flatten, Dense

x = Flatten()(base_model.output)
x = Dense(256, activation='relu')(x)
predictions = Dense(num_classes, activation='softmax')(x)

model = Model(inputs=base_model.input, outputs=predictions)

1. 编译模型并训练：

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

model.fit_generator(train_generator, steps_per_epoch=train_steps, epochs=num_epochs, validation_data=val_generator, validation_steps=val_steps)

这样就可以在Keras中使用预训练的模型进行迁移学习了。通过冻结预训练模型的层，可以保留其学到的特征表示，然后在顶部添加自定义层进行新的任务训练。

版权声明

本文内容由互联网用户自发贡献，该文观点仅代表作者本人
本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。