关于迁移学习预训练模型的新数据集的训练
关于迁移学习预训练模型的新数据集的训练
提问于 2020-02-05 10:35:56
代码：
from keras.preprocessing import image as image_util
from keras.applications.imagenet_utils import preprocess_input
from keras.applications.imagenet_utils import decode_predictions
from keras.applications import ResNet50
import numpy as np
import argparse
import cv2
import time
ap = argparse.ArgumentParser()
ap.add_argument("-i","--image",required= True,help ="path of the image")
args = vars(ap.parse_args())
# orig = cv2.imread(args["image"]) #Opencv function to load a image
start_time = time.time()
image = image_util.load_img(args["image"],target_size=(224,224))
image = image_util.img_to_array(image)
#print("!!!!!.....!!!!")
print(image.shape)
image = np.expand_dims(image,axis=0) #(224,224,3) --> (1,224,224,3)
#print("!!!!!.....!!!!")
print(image.shape)
image = preprocess_input(image)
#Loading the model
model = ResNet50(weights="imagenet")
pred = model.predict(image)
#print("111!!!!!.....!!!!")
#print(pred)
p = decode_predictions(pred)
#print("222!!!!!.....!!!!")
#print(p)
for (i,(imagenetID,label,prob)) in enumerate(p[0]):
print("{}. {}: {:.2f}%".format(i+1, label, prob*100))
ans = p[0][0]
ans = ans[1]
print("THE PREDICTED IMAGE IS: "+ans)
orig = cv2.imread(args["image"]) #Opencv function to load a image
(imagenetID,label,prob) = p[0][0]
cv2.putText(orig, "{},{:.2f}%".format(label,prob*100),(10,30),cv2.FONT_HERSHEY_COMPLEX,0.5,(0,0,0),1)
cv2.imshow("classification",orig)
cv2.waitKey(0)
print("--- %s seconds ---" % (time.time() - start_time)) 此代码工作在imagenet权重上，并有一个经过预先训练的模型，可以对各种图像进行分类。我需要训练一个新的对象，即我自己的数据集。(表示支持)(苹果)。我应该做些什么来更新添加新数据集的权重？
回答 1
Stack Overflow用户
回答已采纳
发布于 2020-02-05 11:00:10
一般的方法是只接受较低层次的预先训练的CNN (如ResNet)，并在现有CNN的基础上添加新的层。
一旦你有了你的模型，你可能应该在训练开始时锁定预先训练过的层，这样你就不会破坏那些已经训练过的重量，然后当梯度稳定几次之后，你可以解锁这些层并继续训练。
删除预培训网络顶层最简单的方法是将include_top参数设置为False。
base_model = ResNet50(include_top=False, weights="imagenet") 然后您可以像往常一样开始添加您的层，即(n_classes是指您想要分类的类的数量)
my_hidden1 = keras.layers.Dense(128, activation="relu")(base_model)
# rest of the custom layers
...
output = keras.layers.Dense(n_classes, activation="softmax")(previous_layer)
model = keras.Model(inputs=base_model.input, outputs=output)在开始时锁定预先训练过的层
for layer in base_model.layers:
layer.trainable = False然后，您可以compile和fit您的新模型在几个时代(即使是更高的学习率)，即
optimizer = keras.optimizers.SGD(lr=0.2, momentum=0.9, decay=0.01)
model.compile(optimizer=optimizer, ...)
model.fit(...)在完成初始培训之后，您可以解锁基本层并继续进行培训(通常，您希望在此阶段降低学习速度)。
for layer in base_model.layers:
layer.trainable = True
optimizer = keras.optimizers.SGD(lr=0.01, momentum=0.9, decay=0.001)
model.compile(...)
model.fit(...)请注意，每次锁定或解锁这些层时，都必须运行compile。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/60073882
复制相关文章
相似问题
腾讯云开发者
