Python 如何在Tensorflow中使用预先训练好的模型而不必上课？

我正在尝试使用一个预训练的网络，例如

tf.keras.applications.ResNet50

，但我有两个问题：

我只想在网络的末端获得最上面的嵌入层，因为我不想做任何图像分类。因此，我认为不需要一个班级编号

• tf.keras.applications.ResNet50

  采用默认参数

  'classes=1000'

  • 有没有办法省略这个参数
• 我输入的图片是

  128*128*1

  像素，而不是

  224*224*3

  • 修复输入数据形状的最佳方法是什么

我的目标是用

resnet

网络的输出制作一个三重损耗网络

非常感谢

• ResNet50

  有一个参数

  include_top

  正好用于此目的——将其设置为

  False

  跳过最后一个完全连接的层。（然后输出长度为2048的特征向量）
• 减小图像大小的最佳方法是对图像重新采样，例如使用专用功能
  • 而且，我一开始并没有注意到您的输入图像只有三个通道，thx@Daniel。我建议您在GPU上构建3通道灰度图像（而不是在主机上使用numpy），以避免使用

    tf.tile将数据传输到GPU内存的时间增加三倍：
    
    im3 = tf.tile(im, (1, 1, 1, 3))
    
    

• ResNet50

  有一个参数

  include_top

  正好用于此目的——将其设置为

  False

  跳过最后一个完全连接的层。（然后输出长度为2048的特征向量）
• 减小图像大小的最佳方法是对图像重新采样，例如使用专用功能
  • 而且，我一开始并没有注意到您的输入图像只有三个通道，thx@Daniel。我建议您在GPU上构建3通道灰度图像（而不是在主机上使用numpy），以避免使用

    tf.tile将数据传输到GPU内存的时间增加三倍：
    
    im3 = tf.tile(im, (1, 1, 1, 3))
    
    

---

作为另一个答案的补充。您还需要使图像具有三个通道，尽管从技术上讲，这不是Resnet的最佳输入，但它是最简单的解决方案（如果您访问源代码并自己更改输入形状，则更改Resnet模型也是一个选项）
使用numpy在三个通道中打包图像：

images3ch = np.concatenate([images,images,images], axis=-1)

---

作为对另一个答案的补充。您还需要使图像具有三个通道，尽管从技术上讲，这不是Resnet的最佳输入，但它是最简单的解决方案（如果您访问源代码并自己更改输入形状，则更改Resnet模型也是一个选项）
使用numpy在三个通道中打包图像：

images3ch = np.concatenate([images,images,images], axis=-1)

---

对于第一个问题：您可以创建整个网络，加载预训练权重，然后删除最后一层。对于第二个问题：您可能需要寻找一些支持任何图像大小的现代架构。（他们使用

Adaptive Pooling

而不是

Max Pooling

）。对于第一个问题：您可以创建整个网络，加载预训练权重，然后删除最后一层。对于第二个问题：您可能想寻找一些支持任何图像大小的现代体系结构。（他们使用

自适应池

而不是

最大池

）。