5

我不明白为什么我必须调用fit()/fit_generator()函数两次才能在 Keras（版本 2.0.0）中微调 InceptionV3（或任何其他预训练模型）。该文档建议以下内容：

在一组新的类上微调 InceptionV3

from keras.applications.inception_v3 import InceptionV3
from keras.preprocessing import image
from keras.models import Model
from keras.layers import Dense, GlobalAveragePooling2D
from keras import backend as K

# create the base pre-trained model
base_model = InceptionV3(weights='imagenet', include_top=False)

# add a global spatial average pooling layer
x = base_model.output
x = GlobalAveragePooling2D()(x)
# let's add a fully-connected layer
x = Dense(1024, activation='relu')(x)
# and a logistic layer -- let's say we have 200 classes
predictions = Dense(200, activation='softmax')(x)

# this is the model we will train
model = Model(input=base_model.input, output=predictions)

# first: train only the top layers (which were randomly initialized)
# i.e. freeze all convolutional InceptionV3 layers
for layer in base_model.layers:
    layer.trainable = False

# compile the model (should be done *after* setting layers to non-trainable)
model.compile(optimizer='rmsprop', loss='categorical_crossentropy')

# train the model on the new data for a few epochs
model.fit_generator(...)

# at this point, the top layers are well trained and we can start fine-tuning
# convolutional layers from inception V3. We will freeze the bottom N layers
# and train the remaining top layers.

# let's visualize layer names and layer indices to see how many layers
# we should freeze:
for i, layer in enumerate(base_model.layers):
   print(i, layer.name)

# we chose to train the top 2 inception blocks, i.e. we will freeze
# the first 172 layers and unfreeze the rest:
for layer in model.layers[:172]:
   layer.trainable = False
for layer in model.layers[172:]:
   layer.trainable = True

# we need to recompile the model for these modifications to take effect
# we use SGD with a low learning rate
from keras.optimizers import SGD
model.compile(optimizer=SGD(lr=0.0001, momentum=0.9), loss='categorical_crossentropy')

# we train our model again (this time fine-tuning the top 2 inception blocks
# alongside the top Dense layers
model.fit_generator(...)

为什么我们不只调用一次fit()/fit_generator()呢？一如既往，感谢您的帮助！

编辑 ：

Nassim Ben 和 David de la Iglesia 下面给出的答案都非常好。我强烈推荐 David de la Iglesia 提供的链接：迁移学习

4

2 回答 2

4

InceptionV3 是一个非常深和复杂的网络，它已经被训练来识别一些东西，但是你正在将它用于另一个分类任务。这意味着当您使用它时，它并不能完全适应您的工作。

所以他们想要在这里实现的目标是使用训练好的网络已经学习到的一些特征，并对网络的顶部进行一些修改（最高级别的特征，最接近你的任务）。

所以他们移除了最顶层并添加了更多新的和未经训练的层。他们想为他们的任务训练那个大模型，使用 172 个第一层的特征提取并学习最后一层以适应您的任务。

在他们想要训练的那部分中，一个子部分具有已经学习的参数，另一个具有新的、随机初始化的参数。问题是已经学习的层，你只想微调它们而不是从头开始重新学习......模型无法区分它应该只是微调的层和应该完全学习的层。如果你只对模型的 [172:] 层进行一次拟合，你将失去在庞大的 imagnet 数据集上学到的有趣特征。你不想要那个，所以你要做的是：

  1. 通过将整个 inceptionV3 设置为不可训练来学习“足够好”的最后一层，这将产生一个很好的结果。
  2. 新训练的层会很好，如果你“解冻”一些顶层，它们不会受到太多干扰，它们只会被微调，就像你想要的那样。

总而言之，当您想要训练“已经学习”的层与新层的混合时，您需要更新新的层，然后对所有内容进行训练以微调它们。

于 2017-03-17T18:07:38.893 回答
2

如果你在已经调整好的卷积网络上附加 2 个随机初始化的层，并且你尝试微调一些卷积层而不“预热”新层，那么这个新层的高梯度会炸毁那些学习到的（有用的）东西卷积层。

这就是为什么你的第一个fit只训练这 2 个新层，使用预训练的卷积网络，比如某种“固定”特征提取器。

在那之后，你的 2 Dense 层没有高梯度，你可以微调一些预训练的卷积层。这就是你在第二次做的事情fit。

于 2017-03-17T18:00:10.893 回答