2

我想用 1003 个类重新训练初始模型，其中前 1000 个类与 imagenet（初始模型）相同。所以我采用了初始模型并提取了最终的层权重并添加了 3 列。我弹出了最后一层，创建了另一个包含 1003 个类的层，并且我改变了权重，因为前 1000 个类的权重与 inception 相同，但在训练时，准确度从 0 开始，这是我没想到的。出了什么问题？

这是我的代码

base_model = InceptionV3(weights='imagenet', include_top=False)
m = InceptionV3(weights='imagenet', include_top=True)
a=m.layers[312].get_weights()
k=np.random.normal(size=[2048,3])
k=k/3
l=np.random.normal(size=[3])
l=l/3
a[0]=np.concatenate((a[0],k),axis=1)
a[1]=np.concatenate((a[1],l),axis=0)

x = base_model.output
x = GlobalAveragePooling2D()(x)

predictions = Dense(nb_classes, activation='softmax')(x) 
model = Model(input=base_model.input, output=predictions)
model.layers[312].set_weights(a)
4

1 回答 1

0

听起来您正在尝试进行一些迁移学习（即使用 inception v3 模型对一组不同于最初训练的图像进行分类）。这里有一个关于这个主题的很棒的教程 https://codelabs.developers.google.com/codelabs/tensorflow-for-poets/#0

基本上，您所要做的就是将您的训练图像放入每个类命名的文件夹中（您将有 1003 个文件夹）并运行 retrain.py 脚本（包含在教程中）。您要确保在新图像文件夹上运行 retrain.py。

于 2017-11-21T20:06:18.580 回答