问题标签 [transfer-learning]

我在 MobileNet 上重新训练了一个图像分类器模型，我有这些文件。

此外，我使用 toco 压缩重新训练的模型以将模型转换为.lite格式，但我需要它的.tflite格式。无论如何我可以从现有文件中获取 tflite 格式吗？

在 tensorflow 迁移学习retrain.py示例中，他们一一获取每张图像的瓶颈值：

在 run_bottleneck_on_image 中，对于每个 image_data，它们会：

有没有办法一次获取 BATCH 大小的图像的瓶颈值，而不是一个一个地运行它，这在 GPU 上要慢得多且效率低下？

我使用 Resnet50 进行迁移学习。我从 Keras 提供的预训练模型（“imagenet”）中创建了一个新模型。

训练我的新模型后，我将其保存如下：

后来，我重新加载它如下进行一些预测：

然后我检查权重是否合理如下（来自一层）：

如果我只训练我的网络 1 个 epoch，我会在那里看到合理的值..

但是，如果我将模型训练 18 个 epoch（这需要 5-6 小时，因为我的计算机非常慢），我只会看到 NaN 值如下：

这里的诀窍是什么？

附录 1：

这是我创建模型的方法。

在这里，我有一个 Triplet_loss 函数，稍后我将需要它。

这是我从头到尾构建模型的方式。我给出了完整的代码来给出确切的图片。

需要注意的一件事是，我使所有批量标准化层“可训练”，以便可以使用我的训练数据更新与 BN 相关的参数。这会产生很多行，但我找不到更短的解决方案。

我正在尝试使用 VGG16 Net 来训练模型进行图像分类，并希望使用此代码将没有密集层的权重转移到我的图像集。

在学习了瓶颈特征之后，模型的最后几层是：

最后一层尺寸为(None,3,3,512)。这将是我的密集层的输入。

所以模型的输入形状是(3,3,512)。我的问题是，当我尝试预测图像时，输入图像的大小为(224,224,3). 那么如何将输入图像的形状转换为模型的输入形状呢？

当我尝试预测它时，这是我收到的错误：

如何更改模型的输入形状或我必须预测的输入图像的输入形状？

我正在尝试在我的 CNN 模型上应用迁移学习，但出现以下错误。

——

谢谢

如何在不针对旧人物（旧课程）重新训练模型的情况下，在新人物（课程）上训练我的人脸识别系统？

我加载了谷歌的预训练模型 Resnet v1，以训练系统识别人物的面孔，结果我得到了一个分类器，可以对经过训练的人物进行分类。问题是，当我想在一个新人的脸上训练它们时，我必须同时在老人和新人的脸上训练模型，我想要的是在新人身上训练模型而不会失去对老人的训练

我的目标是将经过训练的图 A 与图 B 合并。我似乎无法初始化来自图 A 的变量。

导出 graph_def 和 meta_graph

导入到图 b 的图。

在会话中初始化变量

以下命令报告没有未初始化的变量。如果我在上面的初始化程序命令之前运行该命令，它会显示图 A 和 B 中的变量未初始化。

输出错误

任何可能出错的想法都非常感谢。

代码

我已经使用 keras（使用初始网络学习传输）在猫狗数据集（https://www.kaggle.com/c/dogs-vs-cats/data ）上实现了图像分类器。代码运行没有错误，但从第一个 epoch 开始，验证集和训练集的准确率停留在 50%，并且损失没有减少。我正在使用带有氢的原子。

当我删除标记层时，问题就消失了，我似乎无法理解为什么会这样。我试图解决这个问题

1. 不同的批次大小 - 4,16,64,256
2. 更改优化器 - 尝试使用修改后的学习率的 adam、rmsprop、sgd
3. 尝试了不同的激活层——relu、sigmoid 和leakyrelu
4. 更改了 dropout - 当 dropout 为 0.9 时问题消失（即使图层无用，这显然是有效的，但也指出我缺少一些东西）
5. 将最终激活更改为 sigmoid

有人可以告诉我我缺少什么，因为我想不出添加图层停止学习的任何原因

刚开始使用 Conv Nets 并尝试图像分割问题。我为 dstl 卫星图像特征检测竞赛获得了 24 张图像及其掩码。（https://www.kaggle.com/c/dstl-satellite-imagery-feature-detection/data）

我想我会尝试按照这里的提示https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html但我被卡住了。

我下载了 ZF_UNET_224 的预训练权重，这是该问题的第二名获胜者方法。我的图像蒙版包含 5 个对象，所以我弹出了最后一层，而不是这样：

我现在有这个：

我正在尝试遵循 Keras 教程中的确切步骤，但是当我这样做时

我收到一条错误消息说

我想我想要的是我的 224X224 图像中每个像素的概率，这样我就可以使用它们在原始图像上生成蒙版，但我不知道如何去做。

我有 24 个 8 波段输入图像及其标记 5 个对象的掩码。我想在这些图像上训练这个 U-Net，并在一些测试图像上放置掩码，并评估它们的 IoU 或加权对数损失。有什么帮助吗？

更新：

我正在使用与 Keras 教程中相同的生成器：

还有一件事：我的训练图像有 8 个波段，但架构只接受 3 个波段。我认为生成器最后只留下 1 个波段。也不知道如何解决这个问题。

我注意到，如果我的模型目录中有检查点，我标记为 warm_start 的变量正在热启动。如果已经有检查点，有没有办法不热启动？或者这与我从训练中排除这些变量的事实有什么关系？

我在自定义估计器中使用 warm_start 来初始化 inception_v4，我从中使用最后一层作为模型的输入。

目前我也将他们排除在培训之外：

但我也想尝试不排除他们，这将是一个更大的问题。