Keras入门-预训练模型fine-tune（ResNet）

在深度学习的学习过程中，由于计算资源有限或者训练集较小，但我们又想获得较好较稳定的结果，那么一些已经训练好的模型会对我们有很大帮助，比如 Alex Net， google net, VGG net, ResNet等，那我们怎么对这些已经训练好的模型进行fine-tune来提高准确率呢？ 在这篇博客中，我们使用已经训练好的ResNet50网络模型，该模型基于imagenet数据集，实现了对1000种物体的分类。

步骤如下：

　　　1. 下载ResNet50不包含全连接层的模型参数到本地（resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5）；

            2. 定义好ResNet50的网络结构；

            3. 将预训练的模型参数加载到我们所定义的网络结构中；

            4. 更改全连接层结构，便于对我们的分类任务进行处

            5. 或者根据需要解冻最后几个block，然后以很低的学习率开始训练。我们只选择最后一个block进行训练，是因为训练样本很少，而ResNet50模型层数很多，全部训练肯                 定不能训练好，会过拟合。 其次fine-tune时由于是在一个已经训练好的模型上进行的，故权值更新应该是一个小范围的，以免破坏预训练好的特征。

Step1:下载权重数据

地址：点击这里

Step2:定义ResNet50的网络结构

def identity_block(X, f, filters, stage, block):
    # defining name basis
    conv_name_base = 'res' + str(stage) + block + '_branch'
    bn_name_base = 'bn' + str(stage) + block + '_branch'
    
    # Retrieve Filters
    F1, F2, F3 = filters
    
    # Save the input value. You'll need this later to add back to t