要在Keras中实现迁移学习，可以使用预训练的模型作为基础模型，然后在新的数据集上微调模型。以下是一个基本的迁移学习示例：
- 加载预训练的模型（例如ResNet50）
from keras.applications import ResNet50
base_model = ResNet50(weights='imagenet', include_top=False, input_shape=(224, 224, 3))
- 冻结基础模型的所有层
for layer in base_model.layers:
layer.trainable = False
- 在基础模型的顶部添加自定义的全连接层
from keras.models import Model
from keras.layers import Dense, GlobalAveragePooling2D
x = base_model.output
x = GlobalAveragePooling2D()(x)
x = Dense(1024, activation='relu')(x)
predictions = Dense(num_classes, activation='softmax')(x)
model = Model(inputs=base_model.input, outputs=predictions)
- 编译模型并训练
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
model.fit(train_data, train_labels, epochs=10, batch_size=32)
在这个示例中，我们使用ResNet50作为基础模型，冻结了所有的层，并在顶部添加了自定义的全连接层。然后编译模型并在新的数据集上训练模型。通过这种方式，我们可以利用预训练模型的特征提取能力，并在新的任务上进行微调。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，请发送邮件至 55@qq.com 举报，一经查实，本站将立刻删除。转转请注明出处：https://www.szhjjp.com/n/933904.html
