Neural network 微调resnet50时如何冻结某些层
我正试图用keras对resnet 50进行微调。当我冻结resnet50中的所有层时,一切正常。但是,我想冻结resnet50的一些层,而不是全部。但是当我这样做的时候,我会犯一些错误。这是我的密码:Neural network 微调resnet50时如何冻结某些层,neural-network,keras,resnet,Neural Network,Keras,Resnet,我正试图用keras对resnet 50进行微调。当我冻结resnet50中的所有层时,一切正常。但是,我想冻结resnet50的一些层,而不是全部。但是当我这样做的时候,我会犯一些错误。这是我的密码: base_model = ResNet50(include_top=False, weights="imagenet", input_shape=(input_size, input_size, input_channels)) model = Sequential() model.add(ba
base_model = ResNet50(include_top=False, weights="imagenet", input_shape=(input_size, input_size, input_channels))
model = Sequential()
model.add(base_model)
model.add(Flatten())
model.add(Dense(80, activation="softmax"))
#this is where the error happens. The commented code works fine
"""
for layer in base_model.layers:
layer.trainable = False
"""
for layer in base_model.layers[:-26]:
layer.trainable = False
model.summary()
optimizer = Adam(lr=1e-4)
model.compile(loss="categorical_crossentropy", optimizer=optimizer, metrics=["accuracy"])
callbacks = [
EarlyStopping(monitor='val_loss', patience=4, verbose=1, min_delta=1e-4),
ReduceLROnPlateau(monitor='val_loss', factor=0.1, patience=2, cooldown=2, verbose=1),
ModelCheckpoint(filepath='weights/renet50_best_weight.fold_' + str(fold_count) + '.hdf5', save_best_only=True,
save_weights_only=True)
]
model.load_weights(filepath="weights/renet50_best_weight.fold_1.hdf5")
model.fit_generator(generator=train_generator(), steps_per_epoch=len(df_train) // batch_size, epochs=epochs, verbose=1,
callbacks=callbacks, validation_data=valid_generator(), validation_steps = len(df_valid) // batch_size)
错误如下:
Traceback (most recent call last):
File "/home/jamesben/ai_challenger/src/train.py", line 184, in <module> model.load_weights(filepath="weights/renet50_best_weight.fold_" + str(fold_count) + '.hdf5')
File "/usr/local/lib/python3.5/dist-packages/keras/models.py", line 719, in load_weights topology.load_weights_from_hdf5_group(f, layers)
File "/usr/local/lib/python3.5/dist-packages/keras/engine/topology.py", line 3095, in load_weights_from_hdf5_group K.batch_set_value(weight_value_tuples)
File "/usr/local/lib/python3.5/dist-packages/keras/backend/tensorflow_backend.py", line 2193, in batch_set_value get_session().run(assign_ops, feed_dict=feed_dict)
File "/usr/local/lib/python3.5/dist-packages/tensorflow/python/client/session.py", line 767, in run run_metadata_ptr)
File "/usr/local/lib/python3.5/dist-packages/tensorflow/python/client/session.py", line 944, in _run % (np_val.shape, subfeed_t.name, str(subfeed_t.get_shape())))
ValueError: Cannot feed value of shape (128,) for Tensor 'Placeholder_72:0', which has shape '(3, 3, 128, 128)'
回溯(最近一次呼叫最后一次):
文件“/home/jamesben/ai_challenger/src/train.py”,第184行,在model.load_weights(filepath=“weights/renet50_best_weight.fold”+str(fold_count)+'.hdf5'中)
文件“/usr/local/lib/python3.5/dist packages/keras/models.py”,第719行,加载权重拓扑。从hdf5组(f,层)加载权重
文件“/usr/local/lib/python3.5/dist-packages/keras/engine/topology.py”,第3095行,来自组K.batch\u set\u值(权重值\u元组)
文件“/usr/local/lib/python3.5/dist packages/keras/backend/tensorflow\u backend.py”,第2193行,在批处理设置值获取会话()中。运行(分配操作,提要dict=提要dict)
文件“/usr/local/lib/python3.5/dist packages/tensorflow/python/client/session.py”,第767行,在run\u metadata\u ptr中)
文件“/usr/local/lib/python3.5/dist packages/tensorflow/python/client/session.py”,第944行,处于运行状态(np_val.shape,subfeed_t.name,str(subfeed_t.get_shape()))
ValueError:无法为张量'Placeholder_72:0'提供形状(128,)的值,该张量具有形状'(3,3,128,128)'
有谁能给我一些关于我应该用resnet50冻结多少层的帮助吗?当使用嵌套模型使用
load\u weights()
和save\u weights()
时,如果trainable
设置不相同,很容易出错
要解决此错误,请确保在调用model.load\u weights()
之前冻结相同的层。也就是说,如果保存权重文件时所有图层都已冻结,则该过程将为:
base\u模型中的所有层
base\u model.layers[-26://code>)
base_model=ResNet50(包括_top=False,输入_shape=(2242243))
模型=顺序()
model.add(基本模型)
model.add(展平())
添加(密集(80,activation=“softmax”))
对于基本模型层中的层:
layer.trainable=错误
模型.荷载重量('all_layer_freezed.h5')
对于基础模型中的层。层[-26:]:
layer.trainable=True
根本原因是: 调用
model.load\u weights()
,通过以下步骤(在函数load\u weights\u from\u hdf5\u group()
in中)加载(大致)每个层的权重:
layer.weights
获取权重张量K.batch\u set\u value()
将权重值分配给权重张量可训练的
我将用一个例子来解释它。对于与上述相同的模型,model.summary()
给出:
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
resnet50 (Model) (None, 1, 1, 2048) 23587712
_________________________________________________________________
flatten_10 (Flatten) (None, 2048) 0
_________________________________________________________________
dense_5 (Dense) (None, 80) 163920
=================================================================
Total params: 23,751,632
Trainable params: 11,202,640
Non-trainable params: 12,548,992
_________________________________________________________________
内部ResNet50
模型在重量加载期间被视为模型的一层。加载层resnet50
时,在步骤1中,调用layer.weights
相当于调用base\u model.weights
。将收集并返回ResNet50
模型中所有层的权重张量列表
现在的问题是,在构造权重张量列表时,可训练权重将排在不可训练权重之前。在层的定义中
类:
@属性
def重量(自身):
返回自身可训练重量+自身不可训练重量
如果base\u model
中的所有层都已冻结,则权重张量的顺序如下:
对于基本模型层中的层:
layer.trainable=错误
打印(基本型号重量)
[,
,
,
,
,
,
,
,
...
,
,
,
,
,
]
但是,如果某些层是可训练的,可训练层的重量张量将先于冻结层的重量张量:
基本模型中的层的。层[-5:]:
layer.trainable=True
打印(基本型号重量)
[,
,
,
,
,
,
,
,
,
,
,
,
...
,
,
,
]
顺序的改变就是为什么你会在张量形状上出错。hdf5文件中保存的权重值与上述步骤2中的错误权重张量匹配。冻结所有图层时一切正常的原因是,模型检查点也会在冻结所有图层的情况下保存,因此顺序正确
可能更好的解决方案:
通过使用函数API,可以避免嵌套模型。例如,以下代码应该可以正常工作:
base\u model=ResNet50(包括\u top=False,weights=“imagenet”,input\u shape=(input\u size,input\u size,input\u channels))
x=展平()(基本模型输出)
x=密度(80,激活=“softmax”)(x)
模型=模型(基本模型输入,x)
对于基本模型层中的层:
layer.trainable=错误
模型。保存权重(“所有不可训练。h5”)
基本\u模型=ResNet50(包括\u top=False,weights=“imagenet”,输入\u形状=(输入\u大小,输入\u大小,输入\u通道))
x=展平()(基本模型输出)
x=密度(80,激活=“softmax”)(x)
模型=模型(基本模型输入,x)
对于基本模型中的层。层[:-26]:
layer.trainable=错误
模型荷载重量(“所有不可训练。h5”)
I在回调和model.fit\u generator model.load\u weights(filepath=“weights/renet50\u best\u weight.fold\u 1.hdf5')之间损失一行此错误与冻结层无关。它与尝试适应与模型输入形状不同的数据有关。但是,当我冻结resnet50的所有层时,不会出现任何错误,这是否意味着输入形状正常?代码中的其他内容已更改。感谢您的回答。这是否意味着