在keras中微调预训练模型-Java 学习之路

我想在keras中使用预训练的imagenet VGG16模型，并在顶部添加我自己的小型网站 . 我只对功能感兴趣，而不是对预测感兴趣

from keras.preprocessing.image import ImageDataGenerator, array_to_img, img_to_array, load_img
from keras.applications.vgg16 import VGG16
from keras.preprocessing import image
from keras.applications.vgg16 import preprocess_input
import numpy as np
import os
from keras.models import Model
from keras.models import Sequential
from keras.layers import Convolution2D, MaxPooling2D
from keras.layers import Activation, Dropout, Flatten, Dense

IF = '/home/ubu/files/png/'
files = os.listdir(IF)

imgs = [img_to_array(load_img(IF + p, target_size=[224,224])) for p in files]
im = np.array(imgs)

加载基础模型，预处理输入并获取功能

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

x = preprocess_input(aa)
features = base_model.predict(x)

这是有效的，我在预训练的VGG上获得了我的图像的功能 .

我现在想要微调模型并添加一些卷积层 . 我读了https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html和https://keras.io/applications/但是不能把它们放在一起 .

在顶部添加我的模型：

x = base_model.output
x = Convolution2D(32, 3, 3)(x)
x = Activation('relu')(x)
x = MaxPooling2D(pool_size=(2, 2))(x)
x = Convolution2D(32, 3, 3)(x)
x = Activation('relu')(x)
feat = MaxPooling2D(pool_size=(2, 2))(x)

Build 完整的模型

model_complete = Model(input=base_model.input, output=feat)

停止学习基础层

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

新模式

model_complete.compile(optimizer='rmsprop', 
          loss='binary_crossentropy')

现在适合新模型，模型是4个图像，[1,0,1,0]是类标签 . 但这显然是错误的：

model_complete.fit_generator((x, [1,0,1,0]), samples_per_epoch=100, nb_epoch=2)

ValueError: output of generator should be a tuple (x, y, sample_weight) or (x, y). Found: None

这是怎么做到的？

如果我只想替换最后一个卷积块（VGG16中的conv block5）而不是添加某些东西，我该怎么办呢？

我怎么只训练瓶颈功能？

功能输出 features 具有形状（4,512,7,7） . 有四个图像，但其他维度是什么？我如何将其减少为（1，x）数组？

2 回答

Fitting model

生成器代码的问题在于fit_generator方法需要生成器函数生成适合您未提供的数据 . 您可以在已链接到的教程中定义生成器，也可以自己创建数据和标签，并自己适合您的模型：

model_complete.fit(images, labels, batch_size=100, nb_epoch=2)

其中图像是您生成的训练图像，标签是相应的标签 .

Removing last layer

假设您有一个模型变量和下面描述的"pop"方法，您可以执行 model = pop(model) 删除最后一层 .

Training only specific layers 正如您在代码中所做的那样，您可以：

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

然后，您可以通过将 trainable 属性更改为 True 来"unfreeze"和所需的图层 .

Changing dimensions

要将输出更改为1D阵列，可以使用Flatten layer

The pop method

def pop(model):
    '''Removes a layer instance on top of the layer stack.
    This code is thanks to @joelthchao https://github.com/fchollet/keras/issues/2371#issuecomment-211734276
    '''
    if not model.outputs:
        raise Exception('Sequential model cannot be popped: model is empty.')
    else:
        model.layers.pop()
        if not model.layers:
            model.outputs = []
            model.inbound_nodes = []
            model.outbound_nodes = []
        else:
            model.layers[-1].outbound_nodes = []
            model.outputs = [model.layers[-1].output]
        model.built = False

    return model

回复于 2024-04-29T16:09:58+08:00

7

使用 model.fit(X, y) 训练您的数据集，如下所述：https://keras.io/models/model/#fit

此外，您应添加一个Flatten图层和一个输出形状为1的致密图层，以获得正确的结果形状 .

回复于 2024-04-29T16:09:58+08:00

在keras中微调预训练模型

2 回答

相关问题