1

我目前正在开发一个模型，使用Keras+Tensorflow来计算基于 STS 基准（http://ixa2.si.ehu.es/stswiki/index.php/STSbenchmark）的句子相似度。我是如何做到的，我首先创建了一个预训练模型，该模型将单词嵌入向量列表转换为单个句子嵌入向量。现在，我想做的是将这个预训练模型合并到一个新模型中，该模型使用这个模型来转换输入。以下是该新模型的代码。

sentence_encoder = load_model('path/to/model')

input1 = Input(shape=(30, 300), dtype='float32') # 30 words, 300 dim embedding
input2 = Input(shape=(30, 300), dtype='float32')
x1 = sentence_encoder(input1)
x2 = sentence_encoder(input2)
abs_diff = Lambda(lambda x: abs(x[0] - x[1]))([x1, x2])
x = Dense(300, activation='relu', kernel_initializer='he_uniform')(abs_diff)
result = Dense(1, activation='sigmoid')(x)

model = Model([input1, input2], result)
model.compile(loss='binary_crossentropy',
    optimizer='rmsprop',
    metrics=['accuracy'])

model.fit(...)

当我运行它时，会生成一个模型并正确完成。然而，我想知道的是，是否sentence_encoder与这个新模型一起训练或者它的权重是否保持不变？如果可能的话，我希望sentence_encoder's 的权重受到这个新模型的训练的影响。如果这没有实现，我该怎么做呢？

先感谢您！

4

1 回答 1

1

如果您不冻结预训练模型层，它们将在训练期间重新计算。这往往不是你想要的。

冻结除最后几个预训练层之外的所有层更为常见，然后将层添加到顶部并仅训练模型的那部分。

在 Keras 中，您可以通过将其trainable属性设置为来冻结网络false：

sentence_encoder.trainable = False

要冻结模型中的层子集：

sentence_encoder.trainable = True
is_trainable = False
for layer in sentence_encoder.layers:
  if layer.name == 'last layer name':
     is_trainable = True
  if is_trainable:
    layer.trainable = True
  else:
    layer.trainable = False
于 2018-04-15T15:02:38.250 回答