python - 在keras中微调预训练模型

Question

我想在 keras 中使用预训练的 imagenet VGG16 模型，并在上面添加我自己的小型卷积网络。我只对特征感兴趣，对预测不感兴趣

from keras.preprocessing.image import ImageDataGenerator, array_to_img, img_to_array, load_img
from keras.applications.vgg16 import VGG16
from keras.preprocessing import image
from keras.applications.vgg16 import preprocess_input
import numpy as np
import os
from keras.models import Model
from keras.models import Sequential
from keras.layers import Convolution2D, MaxPooling2D
from keras.layers import Activation, Dropout, Flatten, Dense

从目录加载图片(该目录包含 4 张图片)

IF = '/home/ubu/files/png/'
files = os.listdir(IF)

imgs = [img_to_array(load_img(IF + p, target_size=[224,224])) for p in files]
im = np.array(imgs)

加载基础模型，预处理输入并获取特征

base_model = VGG16(weights='imagenet', include_top=False)

x = preprocess_input(aa)
features = base_model.predict(x)

这行得通，我在预训练的 VGG 上获得了图像的特征。

我现在想微调模型并添加一些卷积层。 我读了https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html和 https://keras.io/applications/但不能完全将它们结合在一起。

在上面添加我的模型:

x = base_model.output
x = Convolution2D(32, 3, 3)(x)
x = Activation('relu')(x)
x = MaxPooling2D(pool_size=(2, 2))(x)
x = Convolution2D(32, 3, 3)(x)
x = Activation('relu')(x)
feat = MaxPooling2D(pool_size=(2, 2))(x)

建立完整的模型

model_complete = Model(input=base_model.input, output=feat)

停止学习基础层

for layer in base_model.layers:
layer.trainable = False

新模型

model_complete.compile(optimizer='rmsprop', 
          loss='binary_crossentropy')

现在拟合新模型，模型是 4 张图像，[1,0,1,0] 是类标签。 但这显然是错误的:

model_complete.fit_generator((x, [1,0,1,0]), samples_per_epoch=100, nb_epoch=2)

ValueError: output of generator should be a tuple (x, y, sample_weight) or (x, y). Found: None

这是怎么做到的？

如果我只想替换最后一个卷积 block (VGG16 中的 conv block5)而不是添加一些东西，我该怎么做？

我如何只训练瓶颈特征？

特征输出 features 的形状为 (4, 512, 7, 7)。有四个图像，但其他空间是什么？我如何将其缩减为 (1,x) 数组？

Answer 1

拟合模型

您的生成器代码的问题在于 fit_generator 方法需要一个生成器函数来生成您未提供的拟合数据。 您可以按照链接到的教程中的方式定义生成器，也可以自己创建数据和标签并自己拟合模型:

model_complete.fit(images, labels, batch_size=100, nb_epoch=2)

其中图像是您生成的训练图像，标签是相应的标签。

移除最后一层

假设您有一个模型变量和下面描述的“pop”方法，您可以执行 model = pop(model) 来移除最后一层。

仅训练特定层 正如您在代码中所做的那样，您可以:

for layer in base_model.layers:
    layer.trainable = False

然后您可以通过将它们的 trainable 属性更改为 True 来“解冻”和分层。

改变维度

要将输出更改为一维数组，您可以使用 Flatten layer

---

弹出方法

def pop(model):
    '''Removes a layer instance on top of the layer stack.
    This code is thanks to @joelthchao https://github.com/fchollet/keras/issues/2371#issuecomment-211734276
    '''
    if not model.outputs:
        raise Exception('Sequential model cannot be popped: model is empty.')
    else:
        model.layers.pop()
        if not model.layers:
            model.outputs = []
            model.inbound_nodes = []
            model.outbound_nodes = []
        else:
            model.layers[-1].outbound_nodes = []
            model.outputs = [model.layers[-1].output]
        model.built = False

    return model