Python keras在使用多个gpu模型和层时，微调预先训练的模型不会改变权重。可训练=真

我正在加载VGG16预训练模型，添加两个密集层，并微调基础VGG16的最后5层。我在多GPU上训练我的模型。我在培训前后保存了模型。重量是相同的，尽管有层。可训练=真

请帮忙

这是密码

    from keras import applications
    from keras import Model
    <import other relevant Keras layers, etc.>


    model = applications.VGG16(weights = "imagenet", include_top = False, input_shape = (224,224,3))

    model.save('./before_training')

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

    for layer in model.layers[-5:]:
        layer.trainable = True

     x = model.output
     x = Flatten()(x)
     x = Dense(1024, activation = "relu")(x)
     x = Dropout(0.5)(x)
     x = Dense(1024, activation = "relu")(x)
     predictions = Dense(2, activation = "softmax")(x)
     model_final = Model(input = model.input, output = predictions)


     from keras.utils import multi_gpu_model
     parallel_model = multi_gpu_model(model_final, gpus = 4)
     parallel_model.compile(loss = "categorical_crossentropy" ..... )


     datagen = ImageDataGenerator(....)


     early = EarlyStopping(...)

     train_generator = datagen.flow_from_directory(train_data_dir,...)
     validation_generator = datagen.flow_from_directory(test_data_dir,...)

     parallel_model.fit_generator(train_generator, validation_data = valiudation_generator,...)

     model_final.save('./after_training)

来自keras导入应用程序的

从keras导入模型
model=applications.VGG16（weights=“imagenet”，include_top=False，input_shape=（224,3））
model.save（“./before_training”）
对于model.layers中的图层：
layer.trainable=错误
对于模型中的图层。图层[-5:]：
layer.trainable=True
x=模型输出
x=展平（）（x）
x=密集（1024，activation=“relu”）（x）
x=辍学率（0.5）（x）
x=密集（1024，activation=“relu”）（x）
预测=密集（2，activation=“softmax”）（x）
模型\最终=模型（输入=模型。输入，输出=预测）
从keras.utils导入多个gpu模型
并联型=多gpu型（最终型，gpu=4）
parallel_model.compile（loss=“categorical_crossentropy”…）
datagen=ImageDataGenerator（..）
早期=早期停止（…）
列车生成器=来自列车目录（列车数据目录…）的数据生成流
验证\u生成器=来自\u目录的datagen.flow\u（测试\u数据\u目录，…）
并联型拟合发生器（序列发生器，验证数据=验证发生器，…）
模型最终保存（'./培训后）

---

训练前和训练后的重量是一样的！！！这不是我所期望的

好的，我再看一下权重矩阵，它看起来确实有点变化。重量的变化太小了，我粗略地看了一眼就没注意到。对不起！你的问题有答案吗？@unholy\u me:似乎。。。