Python 如何在串联keras模型中设置可训练参数

原始代码太bg了，所以我将尝试用一个简化的示例来解释这个问题

首先，导入我们需要的库：

import tensorflow as tf
from keras.applications.resnet50 import ResNet50
from keras.models import Model
from keras.layers import Dense, Input

然后加载一个预训练的模型并打印出摘要

model = ResNet50(weights='imagenet')
model.summary()

以下是“摘要”的输出：

（我剪切了

summary（）

函数的输出以节省一些空间。） 现在，所有图层参数都是可训练的。为了举例，我将一个trainable参数设置为

False

，如下所示

model.get_layer('bn5c_branch2c').trainable = False

现在，除了层bn5c\u branch2c之外，所有层都可以训练

接下来，使用这个原始模型创建一个新模型，但让它成为一个连接的模型

in1 = Input(shape=(224, 224, 3), name="in1")
in2 = Input(shape=(224, 224, 3), name="in2")

out1 = model(in1)
out2 = model(in2)

new_model = Model(inputs=[in1, in2], outputs=[out1, out2])

然后再次打印总结：

new_model.summary()

以及输出：

__________________________________________________________________________________________________
Layer (type)                    Output Shape         Param #     Connected to                     
==================================================================================================
in1 (InputLayer)                (None, 224, 224, 3)  0                                            
__________________________________________________________________________________________________
in2 (InputLayer)                (None, 224, 224, 3)  0                                            
__________________________________________________________________________________________________
resnet50 (Model)                (None, 1000)         25636712    in1[0][0]                        
                                                                 in2[0][0]                        
==================================================================================================
Total params: 25,636,712
Trainable params: 25,583,592
Non-trainable params: 53,120
__________________________________________________________________________________________________

在这一点上，我已经无法看到哪些层是可训练的，哪些层是不可训练的，因为原始ResNet50模型的所有层现在都显示为一个层。 如果我运行以下代码，它会给出

True

：

new_model.get_layer('resnet50').trainable    # Returns True

问题1）我确实在模型中将上面的层bn5c\u branch2c的可训练参数设置为False。我是否可以假设，即使在新模型中，bn5c\u branch2c的可训练值仍然为假

---

问题2）如果上述问题的答案是肯定的（这意味着层bn5c\u branch2c的可训练参数值在新的\u模型中仍然为假）。。。如果我以后保存这个新的_模型的架构和权重，并再次加载它们以进一步训练这个新的_模型。。。我可以相信bn5c\u branch2c的可训练参数值将保持为False吗？

注意：您可以使用

.layers[idx]

属性访问模型的层，其中

idx

是模型中层的索引（从零开始）。或者，如果您已经为层设置了名称，则可以使用

.get\u layer（layer\u name）

方法访问它们

A1）是的，您可以通过以下方式确认：

print(new_model.layers[2].get_layer('bn5c_branch2c').trainable) # output: False

# save it
new_model.save('my_new_model.hd5')

# load it again
new_model = load_model('my_new_model.hd5')

print(new_model.layers[2].get_layer('bn5c_branch2c').trainable) # output: False

此外，您可以通过查看模型摘要中不可训练参数的数量来确认这一点

A2）是的，您可以通过以下方式确认：

print(new_model.layers[2].get_layer('bn5c_branch2c').trainable) # output: False

# save it
new_model.save('my_new_model.hd5')

# load it again
new_model = load_model('my_new_model.hd5')

print(new_model.layers[2].get_layer('bn5c_branch2c').trainable) # output: False

---

伟大的非常感谢。我不知道我能以你在答案中显示的方式达到参数。解决了的！