Tensorflow Keras去除了最后一层的激活功能

我想将ResNet50与图像净重一起使用

ResNet50的最后一层是（从）

我需要保留此层的权重，但删除softmax函数

我想手动更改它，使我的最后一层看起来像这样

x = layers.Dense(1000, name='fc1000')(x)

resnet = Sequential([
    Input(shape(224,224,3)),
    ResNet50(weights='imagenet', input_shape(224,224,3))
    ])

但重量保持不变。

现在我这样叫我的网

x = layers.Dense(1000, name='fc1000')(x)

resnet = Sequential([
    Input(shape(224,224,3)),
    ResNet50(weights='imagenet', input_shape(224,224,3))
    ])

---

我需要输入层，因为否则model.compile会说占位符没有填充。

通常有两种方法可以实现这一点：

快捷方式-支持的功能： 要更改最后一层的激活函数，可以传递一个参数

classifier\u activation

因此，为了消除所有激活，您的模块可以被称为：

将tensorflow导入为tf
resnet=tf.keras.Sequential([
tf.keras.layers.Input（shape=（224224,3）），
tf.keras.applications.ResNet50(
权重='imagenet'，
输入_形=（224224,3），
pooling=“avg”，
分类器\激活=无
)
])

但是，如果您想要一个不同的功能，而Keras

Classifier\u激活

参数（例如自定义激活功能）不支持此功能，则此功能将不起作用

要实现这一点，您可以使用变通解决方案：

长途跋涉-复制模型的权重 此解决方案建议将原始模型的权重复制到自定义模型上。这种方法之所以有效，是因为除了激活功能外，您没有改变模型的体系结构

您需要：
1.下载原始型号。
2.保存它的重量。
3.声明模型的修改版本（在您的情况下，没有激活功能）。
4.设置新模型的权重

下面的代码片段更详细地解释了这个概念：

将tensorflow导入为tf
# 1. 下载原始resnet
resnet=tf.keras.Sequential([
tf.keras.layers.Input（shape=（224224,3）），
tf.keras.applications.ResNet50(
权重='imagenet'，
输入_形=（224224,3），
pooling=“avg”
)
])
# 2. 在内存中保存权重：
imagenet_weights=resnet.get_weights（）
# 3. 声明模型，但不使用softmax
resnet\u no\u softmax=tf.keras.Sequential([
tf.keras.layers.Input（shape=（224224,3）），
tf.keras.applications.ResNet50(
include_top=False，
权重='imagenet'，
输入_形=（224224,3），
pooling=“avg”
),
tf.keras.layers.Dense（1000，name='fc1000'）
])
# 4. 将imagenet权重传递到第二个resnet
resnet\u no\u softmax.设置权重（图像净权重）

希望这有帮助