如何在Keras中实现迁移学习

在Keras中实现迁移学习通常涉及使用预训练的模型作为基础，并根据新的数据集对其进行微调。以下是一个简单的示例，演示如何在Keras中实现迁移学习：

1. 导入必要的库和模块：

from keras.applications import VGG16
from keras.models import Model
from keras.layers import Dense, GlobalAveragePooling2D
from keras.optimizers import SGD
from keras.preprocessing.image import ImageDataGenerator

1. 加载预训练的VGG16模型并移除顶部的全连接层：

base_model = VGG16(weights='imagenet', include_top=False)

1. 添加新的全连接层，并将其与基础模型连接起来：

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)

1. 冻结基础模型的所有层，只训练顶部添加的全连接层：

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

1. 编译模型并训练：

model.compile(optimizer=SGD(lr=0.0001, momentum=0.9), loss='categorical_crossentropy', metrics=['accuracy'])

model.fit_generator(train_generator, steps_per_epoch=num_train_samples // batch_size, epochs=num_epochs, validation_data=validation_generator, validation_steps=num_val_samples // batch_size)

在训练过程中，可以根据需要解冻基础模型的一些层，并进一步微调模型。最后，可以使用训练好的模型进行预测。

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。