Keras 在ResNet网络上添加图层时图形断开连接

我正在尝试更改ResNet50网络的输入形状。我需要3个以上通道的输入。当您在不加载imagenet权重的情况下指定输入形状时，ResNet应用程序可以工作，但我希望使用imagenet的权重来避免长时间的训练阶段

我知道imagenet的权重适用于具有三个通道的输入形状，但从理论上讲，通过切割网络的头部并添加新的输入层，这应该是可行的

我试图删除头层，但我有一些问题，说过滤器的数量不同于3

ValueError:输入通道数与相应的 过滤器的尺寸，6！=三,

---

我认为可以更改输入形状的通道数，并且仍然使用imagenet的权重，但我尝试的方法似乎是错误的。

我不确定keras模型是否支持其层上的列表操作，似乎弹出层不会使其忘记预期的输入大小

您可以使用输入形状初始化一个新的resnet，并手动将Imagenet权重加载到除前3层之外的所有层，前3层在其输入张量中预期有3个通道

从keras.applications.resnet50借用几行代码会导致如下结果：

import h5py
import keras
from keras_applications.resnet50 import WEIGHTS_PATH_NO_TOP

input_tensor = keras.Input((200, 200, 6))
resnet = keras.applications.ResNet50(
    input_tensor=input_tensor, weights=None, include_top=False
)

weights_path = keras.utils.get_file(
    'resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5',
    WEIGHTS_PATH_NO_TOP,
    cache_subdir='models',
    md5_hash='a268eb855778b3df3c7506639542a6af')

with h5py.File(weights_path, 'r') as f:
    for layer in resnet.layers[3:]:
        if layer.name in f:
            layer.set_weights(f[layer.name].values())

---

话虽如此，你尝试进行的这种转移学习并不常见，如果有效的话，我真的很好奇。你能更新一下它是否收敛得更快吗？

不，不要尝试，它不起作用，图像净重仅适用于3通道图像。为什么？因为遵循resnet架构，只有前两层发生了变化是的，但是如何重建与额外通道相关的缺失信息呢？之后你就不能再训练模特了。我将使用imagenet权重设置权重，只是避免随机初始化，因为在imagenet上学习的一些功能也可以用于我的案例中。因此，在模型创建之后，我将训练它，它正在工作。我重写了整个resnet模型，除了前3个层外，我给层取了完全相同的名称，然后我只是按名称加载层。我有点喜欢你提出的方法。你知道为什么弹出图层不会让它忘记预期的输入大小吗？A当然，如果它收敛得更快，我会告诉你

import h5py
import keras
from keras_applications.resnet50 import WEIGHTS_PATH_NO_TOP

input_tensor = keras.Input((200, 200, 6))
resnet = keras.applications.ResNet50(
    input_tensor=input_tensor, weights=None, include_top=False
)

weights_path = keras.utils.get_file(
    'resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5',
    WEIGHTS_PATH_NO_TOP,
    cache_subdir='models',
    md5_hash='a268eb855778b3df3c7506639542a6af')

with h5py.File(weights_path, 'r') as f:
    for layer in resnet.layers[3:]:
        if layer.name in f:
            layer.set_weights(f[layer.name].values())