基于keras框架，利用预训练模型参数训练自己的数据

本篇博客主要是对网络中的全连接层进行修改，分为以下两种情况：

（1）如何使用预训练模型（1000类）训练自己的数据（2类）：主要修改全连接层；

（2）在自己搭建的模型中使用像cifar10，ImageNet训练时保存的模型，在如何将预训练参数加载到自己的数据中。

如果有错误，欢迎批评指正，谢谢。

针对（1）：

比如加载keras中的inceptionv3预训练模型：

我认为这篇文章写得很全：https://www.jianshu.com/p/23295376c44d

from keras.applications.inception_v3 import InceptionV3

from keras.models import Model，load_model

from keras.layers import Dense, GlobalAveragePooling2D

from keras.utils import plot_model

base_model = InceptionV3(weights='imagenet', include_top=False)  

# weights='imagenet'：表示加载使用ImageNet预训练的参数；

#include_top：是否包含全连接层

print(base_model.summary()) # 打印模型概况

x = base_model.output

x = GlobalAveragePooling2D()(x)

#【2】增加两个全连接层

x = Dense(1024, activation='relu')(x)

predictions = Dense(class_self, activation='softmax')(x)  #class_self:根据自己数据类别设定

self_model = Model(inputs = model.inputs, outputs = predictions)

model.compile(optimizer='rmsprop', loss='categorical_crossentropy')

 

 

针对（2）

与（1）还是有差别的：

首先，加载模型：

model = load_model('./cifar_model.h5')

model = Model(inputs = model.inputs, outputs = model.get_layer('flatten_1').output)  

#flatten_1：根据自己想要提取网络第几层来设定

x = model.output

predictions = Dense(class_self, activation='softmax')(x)  #class_self:根据自己数据类别设定

self_model = Model(inputs = model.inputs, outputs = predictions)

model.compile(optimizer='rmsprop', loss='categorical_crossentropy')

之后就是模型训练了model.fit()  

 

参考文章：

https://www.jianshu.com/p/23295376c44d

https://blog.csdn.net/qq_29462849/article/details/83010854