Keras 当我加载vgg16_weights.h5时，如何使用vgg网络？

我使用keras的VGG-16网络。这是

我的问题是如何使用这个网络进行微调，我必须使用这个网络的图像大小224*224吗？当我使用这个网络时，我必须使用1000个类？ 如果我不使用1000个类，就会导致错误

例外：层形状（4096L，10L）与重量形状（40961000）不兼容

---

请求帮助，谢谢

如果你想看的话，我贴了一个详细的答案。以下代码片段将帮助您确定最后一层的尺寸：

从keras.models导入顺序图
从keras.layers导入卷积2D、零填充2D、最大池2D
将keras.backend作为K导入
img_宽度，img_高度=128，128
#以我们的输入为输入构建VGG16网络
第一层=零填充2D（（1，1），输入形状=（3，img\u宽度，img\u高度））
模型=顺序（）
添加模型（第一层）
添加（卷积2D（64,3,3，activation='relu'，name='conv1_1'））
添加（ZeroPadding2D（（1,1）））
添加（卷积2D（64,3,3，activation='relu'，name='conv1_2'））
add（MaxPooling2D（（2,2），跨步=（2,2）））
添加（ZeroPadding2D（（1,1）））
添加（卷积2D（128,3,3，activation='relu'，name='conv2_1'））
添加（ZeroPadding2D（（1,1）））
添加（卷积2D（128,3,3，activation='relu'，name='conv2_2'））
add（MaxPooling2D（（2,2），跨步=（2,2）））
添加（ZeroPadding2D（（1,1）））
添加（卷积2D（256,3,3，activation='relu'，name='conv3_1'））
添加（ZeroPadding2D（（1,1）））
添加（卷积2D（256,3,3，activation='relu'，name='conv3_2'））
添加（ZeroPadding2D（（1,1）））
添加（卷积2D（256,3,3，activation='relu'，name='conv3_3'））
add（MaxPooling2D（（2,2），跨步=（2,2）））
添加（ZeroPadding2D（（1,1）））
添加（卷积2D（512,3,3，activation='relu'，name='conv4_1'））
添加（ZeroPadding2D（（1,1）））
添加（卷积2D（512,3,3，activation='relu'，name='conv4_2'））
添加（ZeroPadding2D（（1,1）））
添加（卷积2D（512,3,3，activation='relu'，name='conv4_3'））
add（MaxPooling2D（（2,2），跨步=（2,2）））
添加（ZeroPadding2D（（1,1）））
添加（卷积2D（512,3,3，activation='relu'，name='conv5_1'））
添加（ZeroPadding2D（（1,1）））
添加（卷积2D（512,3,3，activation='relu'，name='conv5_2'））
添加（ZeroPadding2D（（1,1）））
添加（卷积2D（512,3,3，activation='relu'，name='conv5_3'））
add（MaxPooling2D（（2,2），跨步=（2,2）））
#获取每个“关键”层的符号输出（我们给了它们唯一的名称）。
layer_dict=dict（[（layer.name，layer）用于model.layers中的层]）
#装载重物
进口h5py
权重\路径='vgg16\权重.h5'
f=h5py.File（权重路径）
对于范围内的k（f.attrs['nb_layers']）：
如果k>=len（模型层）：
#我们不会查看保存文件中最后一个（完全连接的）层
打破
g=f['layer_{}'。格式（k）]
范围内p的权重=[g['param{}'。格式（p）]（g.attrs['nb_params']）]
model.layers[k]。设置权重（权重）
f、 关闭（）
打印（'已加载模型'）
#以下是您想要的：
图m=图（）
图形添加输入（“我的输入”，输入形状=（3，img\u宽度，img\u高度））
图m.add\u节点（model，name='your\u model'，input='my\u inp'）
图m.add_节点（flatte（），name='flatte'，input='your_model'）
图形添加节点（密集（4096，activation='relu'），name='Dense1'，input='Flatten'）
图形添加节点（Dropout（0.5），name='Dropout1'，input='Dense1'）
图形添加节点（密集（4096，activation='relu'），name='Dense2'，input='Dropout1'）
图形添加节点（Dropout（0.5），name='Dropout2'，input='Dense2'）
图形添加节点（密集（10，activation='softmax'），name='Final'，input='Dropout2'）
图形添加输出（name='out1'，input='Final'）
sgd=sgd（lr=0.1，衰变=1e-6，动量=0.9，nesterov=True）
图形编译（优化器=sgd，损失={'out1'：'categorical\u crossentropy'}）

请注意，可以冻结特征提取层的训练，只微调最后完全连接的层。 从中，只需添加

trainable=False

即可冻结层的训练。 冷冻前：

。。。
添加（卷积2D（512,3,3，activation='relu'，name='conv5_1'，trainable=False））
...

可培训：

。。。
添加（卷积2D（512,3,3，activation='relu'，name='conv5_1'，trainable=True））
...

---

默认情况下，

trainable

为

True

，因此如果您不了解该功能，会发生一些事情…

非常感谢！！！在您的代码中，您的意思是我只需要编辑课程编号的最后一层？如果我设置的所有层trainable=False意味着h5文件中的默认权重无法更新？没错，而且就您的问题对网络进行训练会快得多。请注意，您可以使用第二个顺序模型而不是图形模型。感谢您的回复！！！我不熟悉使用keras，现在我使用了您的代码，遇到了一些问题，您能帮我吗？`文件“E:/DL/vgg-16.py”，第125行，在graph_m.fit中（train_数据，train_标签，nb_epoch=10，shuffle=True，verbose=1，validation_split=0.2）文件“D:\Anaconda2\lib\site packages\keras\models.py”，第1184行，fit X=[data[name]代表姓名，按自己的顺序输入]索引器：只有整数、切片（

：

）、省略号（

…

）、numpy.newaxis（

None

）和整数或布尔数组是有效的索引`当我使用您的代码时，我遇到了这个问题`文件“E:/DL/vgg-16.py'，第125行，在图形拟合中（列数据，列标签，nb_历元=10，shuffle=True，verbose=1，验证‌​_split=0.2）文件“D:\Anaconda2\lib\site packages\keras\models.py”，第1184行，在fit X=[data[name]for name in self.input_order]索引器中：只有整数、切片（：）、省略号（…）、numpy.newaxis（None）和整数或布尔数组是有效的索引`你能告诉我如何解决它吗？谢谢