Keras入门-预训练模型fine-tune（ResNet）

最新推荐文章于 2025-06-04 10:53:24 发布

原创

最新推荐文章于 2025-06-04 10:53:24 发布 · 1.5w 阅读

48 ·

CC 4.0 BY-SA版权

文章标签：

#keras #深度学习 #迁移学习 #神经网络 #python

这篇博客介绍了如何利用Keras进行预训练模型ResNet50的fine-tuning，以适应小数据集的分类任务。主要步骤包括下载ResNet50权重，构建网络结构，加载预训练参数，调整全连接层，以及选择性地解冻部分层进行训练，防止过拟合。具体操作包括下载不包含全连接层的模型参数文件，定义并编译模型，以及针对特定任务调整网络。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在深度学习的学习过程中，由于计算资源有限或者训练集较小，但我们又想获得较好较稳定的结果，那么一些已经训练好的模型会对我们有很大帮助，比如 Alex Net， google net, VGG net, ResNet等，那我们怎么对这些已经训练好的模型进行fine-tune来提高准确率呢？在这篇博客中，我们使用已经训练好的ResNet50网络模型，该模型基于imagenet数据集，实现了对1000种物体的分类。

步骤如下：

　　　1. 下载ResNet50不包含全连接层的模型参数到本地（resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5）；

2. 定义好ResNet50的网络结构；

3. 将预训练的模型参数加载到我们所定义的网络结构中；

4. 更改全连接层结构，便于对我们的分类任务进行处

5. 或者根据需要解冻最后几个block，然后以很低的学习率开始训练。我们只选择最后一个block进行训练，是因为训练样本很少，而ResNet50模型层数很多，全部训练肯定不能训练好，会过拟合。其次fine-tune时由于是在一个已经训练好的模型上进行的，故权值更新应该是一个小范围的，以免破坏预训练好的特征。

Step1:下载权重数据

地址：点击这里

Step2:定义ResNet50的网络结构

def identity_block(X, f, filters, stage, block):
    # defining name basis
    conv_name_base = 'res' + str(stage) + block + '_branch'
    bn

最低0.47元/天解锁文章

200万优质内容无限畅学