Python 使用Keras进行预训练NN微调。如何冻结批量正常化？

所以我没有用tf.keras编写代码，根据本教程中关于使用预训练NN进行微调的内容：

调用预训练模型时，我必须设置参数

training=False

，以便在以后解冻进行微调时，批标准化不会破坏我的模型。但是我在keras中如何做到这一点（请记住：我并没有在tf.keras中编写它）。在凯拉斯有必要这样做吗

代码：

def baseline_model():
    pretrained_model = Xception(include_top=False, weights="imagenet")

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

    general_input = Input(shape=(256, 256, 3))

    x = pretrained_model(general_input,training=False)
    x = GlobalAveragePooling2D()(x)
...

TypeError: call() got an unexpected keyword argument 'training'

调用

model=baseline\u model（）时，给出错误信息：

def baseline_model():
    pretrained_model = Xception(include_top=False, weights="imagenet")

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

    general_input = Input(shape=(256, 256, 3))

    x = pretrained_model(general_input,training=False)
    x = GlobalAveragePooling2D()(x)
...

TypeError: call() got an unexpected keyword argument 'training'

我怎样才能做到最好？我试着重写tf.keras中的所有内容，但每次尝试都会出现错误

编辑：我的keras版本是2.3.1，tensorflow 2.2.0在做了一些额外的研究后编辑了我以前的答案：

我读了一些书，看起来BatchNorm层在冻结时的行为有些诡计。这是一个很好的话题：github.com/keras-team/keras/issues/7085似乎
training=false
参数是正确冻结BatchNorm层所必需的，它是在keras 2.1.3中添加的，所以我给你们的建议是确保你们的keras/TF版本更高
，所以你们说微调似乎有效？i、 e.预训练模型中的批量标准化层未更新/在我解冻+重新训练时不破坏模型？正确。你可以这样做：
layer.trainable=False
它冻结了所述层中的所有权重，并且不再可训练。您可以稍后通过运行
model.summary（）
-它应该显示整个模型的可训练和不可训练参数的数量是的，但当微调时，我会为某些/所有层设置layer.trainable=True？是的，您会这样做。关于BatchNorm，我做了一些阅读，看起来BatchNorm层在冻结时的行为有些诡计。这是一个很好的话题：似乎在Keras 2.1.3中添加了
training=false
参数，因此请确保您的Keras/TF版本是最新的。我的Keras版本是2.3.1，tensorflow 2.2.0，因此上述代码必须工作。或者我必须以不同的方式将其设置为False？