Python 如何使用Keras的深度学习模型解决不适合imagenet数据集的问题？

我关注了一篇关于如何从头开始实现vgg16模型的博客，并希望对来自Keras的预训练模型也这样做。我查阅了其他一些博客，但我认为找不到合适的解决方案。我的任务是将集成电路图像分为缺陷图像和非缺陷图像

我在一篇论文中看到，他们使用vgg16的预训练imagenet模型进行织物缺陷检测，他们冻结了前七层，并针对自己的问题对后九层进行了微调。 （来源：）

我已经看到了关于如何冻结除完全连接层以外的所有层的示例，但是我如何尝试冻结前x层并针对我的问题微调其他层的示例

---

VGG16很容易从头开始实现，但是对于诸如resnet或Exception之类的模型来说，它变得有点棘手。

没有必要从头开始实现一个模型来冻结几个层。您也可以在预先训练的模型上执行此操作。在keras中，您将使用

trainable=False

例如，假设您想要使用来自keras的预先训练的异常模型，并想要冻结第一个x层：

#In your includes
from keras.applications import Xception

#Since you're using the model for a different task, you'd want to remove the top
base_model = Xception(weights='imagenet', include_top=False)

#Freeze layers 0 to x
for layer in base_model.layers[0:x]:
    layer.trainable = False

#To see all the layers in detail and to check trainable parameters
base_model.summary()

理想情况下，您希望在该模型的顶部添加另一层，并将输出作为类。有关更多详细信息，您可以查看本keras指南：

很多时候，预先训练的权重在其他分类任务中非常有用，但如果您想在数据集上从头开始训练模型，则可以在不使用imagenet权重的情况下加载模型。或者更好，加载权重，但不要冻结任何层。这将以imagenet weights作为初始化，重新训练每一层

---

希望我已经回答了你的问题。

谢谢你的回答！我可以从ImageDataGenerator的目录使用flow_吗？我现在明白了如何冻结，但是完整的代码会是什么样子？我是否从ImageDataGenerator的_目录加载带有流_的图像，然后像您那样加载模型，不冻结任何层，然后使用adam之类的优化器进行编译？是的，这是一般的流。您可以使用\u目录中的flow\u来加载数据。加载预训练模型后，可以冻结/解冻几个层，并在输出处添加完全连接的层/softmax。然后编译你的模型并使用fit函数来训练itI我试过了，它成功了，但不太像intendet ^^我得到了非常高的val acc和非常低的val损失，但它将所有测试图像误分类为缺陷O_O我问了一个新问题，你猜到原因是什么吗？我使用了致密层和softmax，但不知道我是否做错了什么