keras 预训练模型finetune,多模型ensemble，修改loss函数，调节学习率

最新推荐文章于 2024-04-18 19:41:57 发布

YuMingJing_

最新推荐文章于 2024-04-18 19:41:57 发布

阅读量3.6k

点赞数 1

分类专栏： keras 文章标签： keras finetune ensemble learning rate loss

本文链接：https://blog.csdn.net/YuMingJing_/article/details/84952456

版权

该博客介绍了如何利用Keras库中的MobileNet模型进行finetune，以适应特定的分类任务。作者还探讨了如何修改loss函数，并通过组合两个网络的输出进行简单的ensemble方法。在训练过程中，他们调整了学习率以优化模型性能。

摘要由CSDN通过智能技术生成

keras 预训练模型finetune,多模型ensemble，修改loss函数，调节学习率

加载预训练模型并finetune
修改loss函数
两个网络做ensemble，进行网络训练，调节learning rate

加载预训练模型并finetune

这里使用的是keras库里的MobileNet模型，预训练权重也是官方自带的，最终finetune为自己需要的分类

from keras.layers import Activation, Convolution2D, Dropout, Conv2D, Average
from keras.layers import AveragePooling2D, BatchNormalization
from keras.layers import GlobalAveragePooling2D
from keras.models import Sequential
from keras.layers import Flatten
from keras.models import Model
from keras.layers import Input
from keras.layers import MaxPooling2D
from keras.layers import SeparableConv2D
from keras import layers
from keras.regularizers import l2
from keras.applications.mobilenet import MobileNet
from keras import models 
from keras import layers


input_shape = (224,224,3)
img_input = Input(input_shape)
num_classes = 7
def mobilenet(img_input, num_classes):
    #加载ImageNet的预训练权重
    base_model = MobileNet(weights='imagenet', include_top = False, input_tensor=img_input)
    #不冻结网络层࿰