keras 截取 resnet 等现有网络的 中间层 拼接到自己的网络上 改现有网络结构 保持权重

最新推荐文章于 2022-10-13 18:00:10 发布
最新推荐文章于 2022-10-13 18:00:10 发布
阅读量2.6k 收藏 8
点赞数 2
分类专栏： keras keras 从入门开始
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u013249853/article/details/89211832
版权
本文介绍了如何使用Keras的get_layer方法来截取ResNet等预训练网络的中间层，并将其连接到自定义网络中，以修改现有网络结构并保留权重。通过示例代码展示了具体操作过程。
摘要由CSDN通过智能技术生成

这次主要使用get_layer方法设置截取网络的起点与终点。

直接看代码：

from __future__ import print_function
import numpy as np
import matplotlib.pyplot as plt
import os
import keras
from keras import Model
from keras.applications import vgg16, inception_v3, resnet50, mobilenet
from keras.preprocessing.image import ImageDataGenerator, load_img
os.environ['CUDA_VISIBLE_DEVICES']='0'
resnet_model = resnet50.ResNet50(weights = 'imagenet', include_top=False,input_shape = (480,640,3))
resnet_model.summary()
layer_name = 'activation_40'
res16 = Model(inputs=resnet_model.input, outputs=resnet_model.get_layer(layer_name).output)
res16.summary()

给出的输出是这样的：

UserWarning: The output shape of `ResNet50(include_top=False)` has been changed since Keras 2.2.0.
  warnings.warn('The output shape of `ResNet50(include_top=False)` '
__________________________________________________________________________________________________
Layer (type)                    Output Shape         Param #     Connected to                     
==================================================================================================
input_1 (InputLayer)            (None, 480, 640, 3)  0                                            
__________________________________________________________________________________________________
conv1_pad (ZeroPadding2D)       (None, 486, 646, 3)  0           input_1[0][0]                    
__________________________________________________________________________________________________
conv1 (Conv2D)                  (None, 240, 320, 64) 9472        conv1_pad[0][0]                  
__________________________________________________________________________________________________
bn_conv1 (BatchNormalization)   (None, 240, 320, 64) 256         conv1[0][0]                      
__________________________________________________________________________________________________
activation_1 (Activation)       (None, 240, 320, 64) 0           bn_conv1[0][0]                   
__________________________________________________________________________________________________
pool1_pad (ZeroPadding2D)       (None, 242, 322, 64) 0           activation_1[0][0]               
__________________________________________________________________________________________________
max_pooling2d_1 (MaxPooling2D)  (None, 120, 160, 64) 0           pool1_pad[0][0]                  
__________________________________________________________________________________________________
res2a_branch2a (Conv2D)         (None, 120, 160, 64) 4160        max_pooling2d_1[0][0]            
__________________________________________________________________________________________________
bn2a_branch2a (BatchNormalizati (None, 120, 160, 64) 256         res2a_branch2a[0][0]             
__________________________________________________________________________________________________
activation_2 (Activation)       (None, 120, 160, 64) 0           bn2a_branch2a[0][0]              
__________________________________________________________________________________________________
res2a_branch2b (Conv2D)         (None, 120, 160, 64) 36928       activation_2[0][0]               
__________________________________________________________________________________________________
bn2a_branch2b (BatchNormalizati (None, 120, 160, 64) 256         res2a_branch2b[0][0]             
__________________________________________________________________________________________________
activation_3 (Activation)       (None, 120, 160, 64) 0           bn2a_branch2b[0][0]              
__________________________________________________________________________________________________
res2a_branch2c (Conv2D)         (None, 120, 160, 256 16640       activation_3[0][0]               
__________________________________________________________________________________________________
res2a_branch1 (Conv2D)          (None, 120, 160, 256 16640       max_pooling2d_1[0][0]            
__________________________________________________________________________________________________
bn2a_branch2c (BatchNormalizati (None, 120, 160, 256 1024        res2a_branch2c[0][0]             
__________________________________________________________________________________________________
bn2a_branch1 (BatchNormalizatio (None, 120, 160, 256 1024        res2a_branch1[0][0]              
__________________________________________________________________________________________________
add_1 (Add)                     (None, 120, 160, 256 0           bn2a_branch2c[0][0]              
                                                                 bn2a_branch1[0][0]               
__________________________________________________________________________________________________
activation_4 (Activation)       (None, 120, 160, 256 0           add_1[0][0]                      
__________________________________________________________________________________________________
res2b_branch2a (Conv2D)         (None, 120, 160, 64) 16448       activation_4[0][0]               
__________________________________________________________________________________________________
bn2b_branch2a (BatchNormalizati (None, 120, 160, 64) 256         res2b_branch2a[0][0]             
__________________________________________________________________________________________________
activation_5 (Activation)       (None, 120, 160, 64) 0           bn2b_branch2a[0][0]              
__________________________________________________________________________________________________
res2b_branch2b (Conv2D)         (None, 120, 160, 64) 36928       activation_5[0][0]               
__________________________________________________________________________________________________
bn2b_branch2b (BatchNormalizati (None, 120, 160, 64) 256         res2b_branch2b[0][0]             
__________________________________________________________________________________________________
activation_6 (Activation)       (None, 120, 160, 64) 0           bn2b_branch2b[0][0]              
__________________________________________________________________________________________________
res2b_branch2c (Conv2D)         (None, 120, 160, 256 16640       activation_6[0][0]               
__________________________________________________________________________________________________
bn2b_branch2c (BatchNormalizati (None, 120, 160, 256 1024        res2b_branch2c[0][0]             
__________________________________________________________________________________________________
add_2 (Add)                     (None, 120, 160, 256 0           bn2b_branch2c[0][0]              
                                                                 activation_4[0][0]               
__________________________________________________________________________________________________
activation_7 (Activation)       (None, 120, 160, 256 0           add_2[0][0]                      
__________________________________________________________________________________________________
res2c_branch2a (Conv2D)         (None, 120, 160, 64) 16448       activation_7[0][0]               
__________________________________________________________________________________________________
bn2c_branch2a (BatchNormalizati (None, 120, 160, 64) 256         res2c_branch2a[0][0]             
__________________________________________________________________________________________________
activation_8 (Activation)       (None, 120, 160, 64) 0           bn2c_branch2a[0][0]              
__________________________________________________________________________________________________
res2c_branch2b (Conv2D)         (None, 120, 160, 64) 36928       activation_8[0][0]               
__________________________________________________________________________________________________
bn2c_branch2b (BatchNormalizati (None, 120, 160, 64) 256         res2c_branch2b[0][0]             
__________________________________________________________________________________________________
activation_9 (Activation)       (None, 120, 160, 64) 0           bn2c_branch2b[0][0]              
__________________________________________________________________________________________________
res2c_branch2c (Conv2D)         (None, 120, 160, 256 16640       activation_9[0][0]               
__________________________________________________________________________________________________
bn2c_branch2c (BatchNormalizati (None, 120, 160, 256 1024        res2c_branch2c[0][0]             
__________________________________________________________________________________________________
add_3 (Add)                     (None, 120, 160, 256 0           bn2c_branch2c[0][0]              
                                                                 activation_7[0][0]               
__________________________________________________________________________________________________
activation_10 (Activation)      (None, 120, 160, 256 0           add_3[0][0]                      
__________________________________________________________________________________________________
res3a_branch2a (Conv2D)         (None, 60, 80, 128)  32896       activation_10[0][0]              
__________________________________________________________________________________________________
bn3a_branch2a (BatchNormalizati (None, 60, 80, 128)  512         res3a_branch2a[0][0]             
__________________________________________________________________________________________________
activation_11 (Activation)      (None, 60, 80, 128)  0           bn3a_branch2a[0][0]              
__________________________________________________________________________________________________
res3a_branch2b (Conv2D)         (None, 60, 80, 128)  147584      activation_11[0][0]              
__________________________________________________________________________________________________
bn3a_branch2b (BatchNormalizati (None, 60, 80, 128)  512         res3a_branch2b[0][0]             
__________________________________________________________________________________________________
activation_12 (Activation)      (None, 60, 80, 128)  0           bn3a_branch2b[0][0]              
__________________________________________________________________________________________________
res3a_branch2c (Conv2D)         (None, 60, 80, 512)  66048       activation_12[0][0]              
__________________________________________________________________________________________________
res3a_branch1 (Conv2D)          (None, 60, 80, 512)  131584      activation_10[0][0]              
__________________________________________________________________________________________________
bn3a_branch2c (BatchNormalizati (None, 60, 80, 512)  2048        res3a_branch2c[0][0]             
__________________________________________________________________________________________________
bn3a_branch1 (BatchNormalizatio (None, 60, 80, 512)  2048        res3a_branch1[0][0]              
__________________________________________________________________________________________________
add_4 (Add)                     (None, 60, 80, 512)  0           bn3a_branch2c[0][0]              
                                                                 bn3a_branch1[0][0]               
__________________________________________________________________________________________________
activation_13 (Activation)      (None, 60, 80, 512)  0           add_4[0][0]                      
__________________________________________________________________________________________________
res3b_branch2a (Conv2D)         (None, 60, 80, 128)  65664       activation_13[0][0]              
__________________________________________________________________________________________________
bn3b_branch2a (BatchNormalizati (None, 60, 80, 128)  512         res3b_branch2a[0][0]             
__________________________________________________________________________________________________
activation_14 (Activation)      (None, 60, 80, 128)  0           bn3b_branch2a[0][0]              
__________________________________________________________________________________________________
res3b_branch2b (Conv2D)         (None, 60, 80, 128)  147584      activation_14[0][0]              
__________________________________________________________________________________________________
bn3b_branch2b (BatchNormalizati (None, 60, 80, 128)  512         res3b_branch2b[0][0]             
__________________________________________________________________________________________________
activation_15 (Activation)      (None, 60, 80, 128)  0           bn3b_branch2b[0][0]              
__________________________________________________________________________________________________
res3b_branch2c (Conv2D)         (None, 60, 80, 512)  66048       activation_15[0][0]              
__________________________________________________________________________________________________
bn3b_branch2c (BatchNormalizati (None, 60, 80, 512)  2048        res3b_branch2c[0][0]             
__________________________________________________________________________________________________
add_5 (Add)                     (None, 60, 80, 512)  0           bn3b_branch2c[0][0]
最低0.47元/天 解锁文章
TinaO-O
关注
  • 2
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
ResUNet++一种先进的医疗图像分割的keras实现
爱CV
04-07 5627
ResUNet++ architecture in Keras TensorFlow """ import os import numpy as np import cv2 import tensorflow as tf from tensorflow.keras.layers import * from tensorflow.keras.models import Model def squeeze_excite_block(inputs, ratio=8): init = inp...
使用Keras预训练模型ResNet50进行图像分类
ccuux3的博客
09-10 4万+
Keras提供了一些用ImageNet训练过的模型：Xception，VGG16，VGG19，ResNet50，InceptionV3。在使用这些模型的时候，有一个参数include_top表示是否包含模型顶部的全连接层，如果包含，则可以将图像分为ImageNet中的1000类，如果不包含，则可以利用这些参数来做一些定制的事情。在运行时自动下载有可能会失败，需要去网站中手动下载，放在“~/.ker
ResNet 网络学习
gzy_wyu的博客
02-04 681
Import 参考来源 ：刘博 from __future__ import print_function import numpy as np import warnings from keras.layers import Input from keras import layers from keras.layers import Dense from keras.layers import...
keras中更改卷积网络中某层类型并可视化网络结构
qq_26896611的博客
05-27 869
from keras.layers import Conv2D from keras.models import Model from keras.layers import Input, Dense, GlobalAveragePooling2D from keras.layers import MaxPooling2D, Activation,Lambda from keras.utils import plot_model #需要安装graphviz 和pdyot def keras_simple_
tensorflow中的ResNet50 API解读及代码实现
m0_55726201的博客
10-13 2042
输入图像的尺寸为[224, 224, 3]，经过简单的卷积和池化操作后形状变为[56, 56, 64]。接下来，就是ResNet50网络的重点，的外围进行padding=0的填充，填充数量为3个像素点，最后得到的维度为224+3*2 = 230，所以x的维度为230，230，3。下面我们分别以第一次使用Conv Block和Identity Block为例，讲解这两个模块内部是如何操作的。4. Idnetity Block模块。3. Conv Block模块。
keras 截取 resnet50 现有网络层结构（含权重）-截取部分【原创】
Monster_H7的博客
11-25 2360
其中截取主要是使用get_layer()方法来设置截取网络的起点与终点！ 1.get_layer()用法 例如：*(from:网上一个例子）https://blog.csdn.net/zhzhx1204/article/details/77393245 from keras.models import Model model = ... # create the original mo...
查看keras各种网络结构各层的名字方式
09-16
在Keras中，查看网络结构各层的名字是一个重要的任务，特别是在调试、理解和优化深度学习模型时。`ResNet50`是一个预训练的卷积神经网络模型，它由多个卷积层、池化层和全连接层组成。当你创建一个如`base_model = ...
人工智能-残差神经网络-基于Keras+Tensorflow搭建，提供ResNet50神经网络的图片分类平台
06-17
2. **加载ResNet50模型**：Keras提供了预训练的ResNet50模型，我们可以直接导入并利用其预训练的权重。这可以通过`keras.applications.resnet50`模块完成。 3. **微调模型**：预训练的ResNet50已经学到了大量的通用...
基于Keras+Tensorflow搭建，提供ResNet50神经网络的图片分类平台
最新发布
06-29
【作品名称】：基于Keras+Tensorflow搭建，提供ResNet50神经网络的图片分类平台 【适用人群】：适用于希望学习不同技术领域的小白或进阶学习者。可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。 ...
keras-resnet：用于深度残差网络的Keras软件包
02-06
预训练模型则可以在ImageNet等大型数据集上已经训练好的权重基础上进行微调，对于新任务的学习能提供良好的起点。 在TensorFlow后端下，`keras-resnet` 利用了Keras与TensorFlow的紧密集成，利用TensorFlow的高性能...
keras实现调用自己训练的模型,并去掉全连接层
09-16
主要介绍了keras实现调用自己训练的模型,并去掉全连接层，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
keras系列︱Application中五款已训练模型、VGG16框架（Sequential式、Model式）解读（二）
热门推荐
素质云笔记
06-04 6万+
不得不说，这深度学习框架更新太快了尤其到了Keras2.0版本，快到Keras中文版好多都是错的，快到官方文档也有旧的没更新，前路坑太多。 到发文为止，已经有theano/tensorflow/CNTK支持keras,虽然说tensorflow造势很多，但是笔者认为接下来Keras才是正道。 笔者先学的caffe，从使用来看，比caffe简单超级多，非常好用，特别是重新训练一个模型，但
ResNet50网络结构
lsh呵呵
09-13 5万+
代码： import keras keras.utils.plot_model(keras.applications.ResNet50(include_top=True,input_shape=(224,224,3),weights=None), to_file='image_model.png', show_shapes=True) ResNet50的标准输入为224x224，avg_p...
Keras —— 应用模型
wangli0519的博客
06-09 7547
Keras应用是可用的具有预训练权重的深度学习模型。这些模型可用于预测，特征提取和细调。 实例化模型时权重自动下载，储存在~/.keras/models/ 可用模型 在ImageNet上预训练权重的图像分类模型有： -Xception -VGG16 -VGG19 -ResNet50 -InceptionV3 Xception模型只有TensorFlow版，因为它依赖于Sepa
Resnet50
qq_32951799的博客
10-01 2011
1.Resnet50源码-tensorflow+keras详细解析 https://blog.csdn.net/ghw15221836342/article/details/79801627 2.ResNet50 结构 https://blog.csdn.net/zjucor/article/details/78636573?locationNum=2&fps=1 https://...
【实战】轻轻松松使用StyleGAN（三）：基于ResNet50构造StyleGAN的逆向网络，从目标图像提取特征码
weixin_41943311的博客
10-08 9545
在前面的文章里，我们可以利用StyleGAN创建令人惊讶的黄种人脸和专属于自己的老婆动漫头像，内容请参考： https://blog.csdn.net/weixin_41943311/article/details/100539707 并且，我们知道，可以对特征码进行混合与编辑，改变这些人脸和动漫头像的风格，内容请参考： https://blog.csdn.net/weixin_419433...
Keras(二十二)使用keras实现resnet50模型做迁移学习-finetune
TFATS的博客
02-28 6144
#!/usr/bin/env python3 # -*- coding: utf-8 -*- import matplotlib as mpl import matplotlib.pyplot as plt import numpy as np import os import pandas as pd import sklearn import sys import tensorflow as tf import time from tensorflow import keras # 打印使用的pyt
Keras将两个模型连接到一起
木盏
10-29 1万+
神经网络玩得越久就越会尝试一些网络结构上的大改动。 先说意图 有两个模型：模型A和模型B。模型A的输出可以连接B的输入。将两个小模型连接成一个大模型，A-B，既可以同时训练又可以分离训练。 流行的算法里经常有这么关系的两个模型，对GAN来说，生成器和判别器就是这样子；对VAE来说，编码器和解码器就是这样子；对目标检测网络来说，backbone和整体也是可以拆分的。所以，应用范围还是挺广的。 ...
深度学习——残差神经网络ResNet在分别在Keras和tensorflow框架下的应用案例
loveliuzz的博客
01-21 4万+
一、残差神经网络——ResNet的综述 深度学习网络的深度对最后的分类和识别的效果有着很大的影响，所以正常想法就是能把网络设计的越深越好， 但是事实上却不是这样，常规的网络的堆叠（plain network）在网络很深的时候，效果却越来越差了。其中原因之一 即是网络越深，梯度消失的现象就越来越明显，网络的训练效果也不会很好。 但是现在浅层的网络（shallower network） 又
使用Keras构建神经网络：入门指南
"这篇内容主要介绍了如何使用Keras这一深度学习框架来构建神经网络，包括Keras的核心概念如序列模型和层的使用方法。" 在深度学习领域，Keras是一个非常受欢迎的高级API，它构建在TensorFlow、Theano或CNTK等底层库...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值