需求:Resnet50做调优训练,将最后分类数目由1000改为500。
问题:网上下载了resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5,更改了Resnet50后,由于所有层均参加训练,导致训练速度慢。实际上只需要训练最后3层,前面的层都不需要训练。
解决办法:
①将模型拆分为两个模型,一个为前面的notop部分,一个为最后三层,然后利用model的trainable属性设置只有后一个model训练,最后将两个模型合并起来。
②不用拆分,遍历模型的所有层,将前面层的trainable设置为False即可。代码如下:
1
2
3
|
注意事项:
①尽量不要这样:
layers.Conv2D(filters1, (1, 1), trainable=False)(input_tensor)
因为容易出错。。。
②加载notop参数时注意by_name=True.
补充知识:Keras关于训练冻结部分层
设置冻结层有两种方式。
(不推荐)是在搭建网络时,直接将某层的trainable设置为false,例如:
layers.Conv2D(filters1, (1, 1), trainable=False)(input_tensor)
在网络搭建完成时,遍历model.layer,然后将layer.trainable设置为False:
1
2
3
4
|
# 冻结网络倒数的3层
for layer in model.layers[: - 3 ]:
print (layer.trainable)
layer.trainable = False
|
也可以根据layer.name来确定哪些层需要冻结,例如冻结最后一层和RNN层:
1
2
3
4
|
for layer in model.layers:
layerName = str (layer.name)
if layerName.startswith( "RNN_" ) or layerName.startswith( "Final_" ):
layer.trainable = False
|
可以在实例化之后将网络层的 trainable 属性设置为 True 或 False。为了使之生效,在修改 trainable 属性之后,需要在模型上调用 compile()。
这是一个例子
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
x = Input (shape = ( 32 ,))
layer = Dense( 32 )
layer.trainable = False
y = layer(x)
frozen_model = Model(x, y)
# 在下面的模型中,训练期间不会更新层的权重
frozen_model. compile (optimizer = 'rmsprop' , loss = 'mse' )
layer.trainable = True
trainable_model = Model(x, y)
# 使用这个模型,训练期间 `layer` 的权重将被更新
# (这也会影响上面的模型,因为它使用了同一个网络层实例)
trainable_model. compile (optimizer = 'rmsprop' , loss = 'mse' )
frozen_model.fit(data, labels) # 这不会更新 `layer` 的权重
trainable_model.fit(data, labels) # 这会更新 `layer` 的权重
|
在网络搭建时,可以考虑最后一个分类层命名和分类数量关联,这样当费雷数量方式变化时,model.load_weight(“weight.h5”,by_name=True)不会加载最后一层
以上这篇Keras: model实现固定部分layer,训练部分layer操作就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持服务器之家。
原文链接:https://blog.csdn.net/SingingFisher/article/details/81093963