Question

我是ConvNets和Python的新手，想要实现以下内容：

我想使用预训练的vgg16模型并在其后添加3个完全连接的层，最后使用L2标准化。

So Data-＆gt; VGG16-＆gt; FC（1x4096） - ＆gt; FC（1x4096） - ＆gt; FC（1x3） - ＆gt; L2-Norm-＆gt;输出

第一个和第二个FC得到一个数组1x4096，最后一个FC得到一个数组1x3，执行L2-Norm。

任何人都可以给我一个如何做到这一点的提示吗？

我发现我可以加载这样的模型：

model_vgg19 = models.vgg19（pretrained = True）

但是我怎么能在那之后添加FC和L2-Norm？如何通过模型获得Test-Data？

Answer 1

我引用了Keras#3465

中提到的一个例子

在Keras框架中，如果您在加载预训练模型时提及include_top = False，则不会包含最终分类层。您可以在末尾添加自定义FC图层，如下例所示：

#load vgg16 without dense layer and with theano dim ordering
base_model = VGG16(weights = 'imagenet', include_top = False, input_shape = (3,224,224))

#number of classes in your dataset e.g. 20
num_classes = 20

x = Flatten()(base_model.output)
x = Dense(4096, activation='relu')(x)
x = Dropout(0.5)(x)
x = BatchNormalization()(x)
predictions = Dense(num_classes, activation = 'softmax')(x)

#create graph of your new model
head_model = Model(input = base_model.input, output = predictions)

#compile the model
head_model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])

head_model.summary()
.
.
.
#train your model on data
head_model.fit(x, y, batch_size = batch_size, verbose = 1)

在预训练模型

1 个答案: