Image 如何使用初始网络进行回归

我试着输入一个图像，得到一个连续的数字作为输出

我建立了一个神经网络，它只获取隐藏层中单个节点的图像，并使用线性激活函数。然而，该模型预测给定输入的相同数量

因此，我想使用Inception网络来解决这个问题。基于谷歌最近的一篇论文

链接：

---

x=Dense1，激活=linearx

这是绝对可能的！来自keras的关于预培训模型的文档应该可以帮助您完成这项工作。确保调整输出层和新模型的损耗

编辑：特定案例的代码示例

从keras.applications.inception_v3导入InceptionV3 从keras.preprocessing导入图像 从keras.models导入模型 从keras.layers导入稠密 从keras导入后端为K 创建基础预训练模型 基本模型=接收v3weights='imagenet'，包括顶部=假 添加全局空间平均池层 x=基本模型输出 让我们添加一个完全连接的层 x=Dense1024，激活=relu'x 以及线性输出层 预测=密度1，激活=线性'x 这是我们将要训练的模型 模型=模型输入=基本模型。输入，输出=预测 第一：只训练随机初始化的顶层 i、 e.冻结所有卷积接收v3层 对于基本模型层中的层： layer.trainable=错误 应在将图层设置为“不可训练”后*完成模型的编译 model.compileoptimizer='rmsprop'，loss='mean_squared_error' 根据新数据对模型进行几个时期的培训 模型。拟合_发生器。。。 这只是培训新的顶层，如果您想微调底层，也可以查看文档中的。请提供