keras : 컨볼 루션 계층 가중치를 차단하는 방법

Question

Here Keras 용 GoogleNet 모델이 있습니다. 네트워크의 개별 레이어를 변경하는 것을 차단할 수있는 방법이 있습니까? 나는 변화에서 pretrained 모델의 처음 두 레이어를 차단하고 싶습니다.

Answer 1

'각 레이어의 변경을 차단하십시오.'나는 당신이로드 된 가중치를 수정하고 싶지 않다는 것을 전제로하고 싶습니다. 이전 훈련에서 배웠던 것입니다.

그렇다면 trainable=False을 레이어에 전달할 수 있으며 매개 변수가 교육 업데이트 규칙에 사용되지 않습니다.

예 :

from keras.models import Sequential 
from keras.layers import Dense, Activation 

model = Sequential([ 
    Dense(32, input_dim=100), 
    Dense(output_dim=10), 
    Activation('sigmoid'), 
]) 

model.summary() 

model2 = Sequential([ 
    Dense(32, input_dim=100,trainable=False), 
    Dense(output_dim=10), 
    Activation('sigmoid'), 
]) 

model2.summary() 

당신은 매개 변수가 비 학습 가능한 사람으로 계산됩니다 2 모델에 대한 모델 요약에 볼 수 있습니다.

____________________________________________________________________________________________________ 
Layer (type)      Output Shape   Param #  Connected to      
==================================================================================================== 
dense_1 (Dense)     (None, 32)   3232  dense_input_1[0][0]    
____________________________________________________________________________________________________ 
dense_2 (Dense)     (None, 10)   330   dense_1[0][0]      
____________________________________________________________________________________________________ 
activation_1 (Activation)  (None, 10)   0   dense_2[0][0]      
==================================================================================================== 
Total params: 3,562 
Trainable params: 3,562 
Non-trainable params: 0 
____________________________________________________________________________________________________ 
____________________________________________________________________________________________________ 
Layer (type)      Output Shape   Param #  Connected to      
==================================================================================================== 
dense_3 (Dense)     (None, 32)   3232  dense_input_2[0][0]    
____________________________________________________________________________________________________ 
dense_4 (Dense)     (None, 10)   330   dense_3[0][0]      
____________________________________________________________________________________________________ 
activation_2 (Activation)  (None, 10)   0   dense_4[0][0]      
==================================================================================================== 
Total params: 3,562 
Trainable params: 330 
Non-trainable params: 3,232