Python 使用Resnet152训练模型，保存权重，加载权重并添加更多层
我的目标是首先只使用ResNet152进行训练，然后保存学习的重量。然后，我想使用这些权重作为一个更复杂的模型的基础，该模型带有添加的层，我最终想对其进行超参数调整。采用这种方法的原因是一次完成这一切需要很长时间。我遇到的问题是我的代码似乎不起作用。我没有收到错误消息，但当我开始训练更复杂的模型时，它似乎再次从0开始，并且没有使用学习的ResNet152权重 代码如下： 首先，我只使用ResNet152和输出层Python 使用Resnet152训练模型，保存权重，加载权重并添加更多层,python,tensorflow,keras,deep-learning,transfer-learning,Python,Tensorflow,Keras,Deep Learning,Transfer Learning,我的目标是首先只使用ResNet152进行训练，然后保存学习的重量。然后，我想使用这些权重作为一个更复杂的模型的基础，该模型带有添加的层，我最终想对其进行超参数调整。采用这种方法的原因是一次完成这一切需要很长时间。我遇到的问题是我的代码似乎不起作用。我没有收到错误消息，但当我开始训练更复杂的模型时，它似乎再次从0开始，并且没有使用学习的ResNet152权重 代码如下： 首先，我只使用ResNet152和输出层 input\u tensor=input（shape=train\u generat
input\u tensor=input（shape=train\u generator.image\u shape）
base\u model=applications.ResNet152（weights='imagenet'，包括\u top=False，input\u tensor=input\u tensor）
对于基本模型中的层。层[：]：
layer.trainable=真–可训练
x=展平（）（基本模型输出）
预测=密集（num_类，激活='softmax'）（x）
模型=模型（输入=基本模型。输入，输出=预测）
model.compile(
损失=“稀疏”\u分类”\u交叉熵'，
优化器=opt，
指标=[‘准确度’]）
模型拟合(
列车发电机，
验证\u数据=有效的\u生成器，
时代，
每个历元的步数=列长//批量大小，
验证步骤=长度/批量大小，
回调=[earlyStopping，reduce_lr]
)
model.save_weights（'/content/drive/MyDrive/MODELS_SAVED/model_RESNET152/model_weights.h5'）
输入\张量=输入（形状=序列\生成器。图像\形状）
base\u model=applications.ResNet152（weights='imagenet'，包括\u top=False，input\u tensor=input\u tensor）
对于基本模型中的层。层[：]：
layer.trainable=错误
x=展平（）（基本模型输出）
x=稠密（1024，核正则化子=tf.keras.regularizers.L2（L2=0.01），
kernel_initializer=tf.keras.initializers.HeNormal（），
内核约束=tf.keras.constraints.UnitNorm（轴=0））（x）
x=LeakyReLU（）（x）
x=BatchNormalization（）（x）
x=辍学率（0.1）（x）
x=稠密（512，核正则化子=tf.keras.regularizers.L2（L2=0.01），
kernel_initializer=tf.keras.initializers.HeNormal（），
内核约束=tf.keras.constraints.UnitNorm（轴=0））（x）
x=LeakyReLU（）（x）
x=BatchNormalization（）（x）
预测=密集（num_类，激活='softmax'）（x）
模型=模型（输入=基本模型。输入，输出=预测）
model.load_weights（'/content/drive/MyDrive/MODELS_SAVED/model_RESNET152/model_weights.h5'，by_name=True）
model.compile(
损失=“稀疏”\u分类”\u交叉熵'，
优化器=opt，
指标=['准确度']
)
模型拟合(
列车发电机，
验证\u数据=有效的\u生成器，
时代，
每个历元的步数=列长//批量大小，
验证步骤=长度/批量大小，
回调=[earlyStopping，reduce_lr]
)
但它的起始精度非常低，基本上又是从0开始的，所以我猜这里出了问题。有关如何解决此问题的任何想法？当您使用adam并仅保存模型权重时-您还必须保存/加载优化器权重：
weight_values = model.optimizer.get_weights()
with open(output_path+'optimizer.pkl', 'wb') as f:
pickle.dump(weight_values, f)
dummy_input = tf.random.uniform(inp_shape) # create a tensor of input shape
dummy_label = tf.random.uniform(label_shape) # create a tensor of label shape
hist = model.fit(dummy_input, dummy_label)
with open(path_to_saved_model+'optimizer.pkl', 'rb') as f:
weight_values = pickle.load(f)
optimizer.set_weights(weight_values)
也许你可以试试
base\u model.load\u weights（你的路径）