深度学习原理与框架-卷积网络细节-迁移学习 1.冻结层数，只进行部分层的训练...

最新推荐文章于 2025-07-08 07:48:22 发布
转载 最新推荐文章于 2025-07-08 07:48:22 发布 · 7.1k 阅读 · 22 ·
CC 4.0 BY-SA版权
原文链接：http://www.cnblogs.com/my-love-is-python/p/10514686.html
文章标签：

#人工智能 #python

本文详细介绍了迁移学习的三种主要方法：使用预训练权重初始化、冻结部分层仅训练预测层，以及微调特定层。通过Keras和Caffe框架的具体实现，帮助读者理解如何在实际项目中应用这些技术。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

迁移学习：主要有3类，

     第一类，使用别人训练好的权重参数，作为初始化权重参数，进行接下来的训练

     第二类：使用别人训练好的权重参数，冻结预测层之前的所有的权重参数，进行接下来的训练

     第三类：使用别人训练好的权重参数，即finetune，不冻结最后一个卷积层和全连接层，对这两个层进行参数的更新和训练

代码：使用keras框架进行的参数冻结， 前面10层的参数都不进行训练

对于caffe而言，我们可以去下载一些框架Model_Zoo

转载于:https://www.cnblogs.com/my-love-is-python/p/10514686.html

深度学习技巧应用6-神经网络中模型冻结-迁移学习技巧
微学AI的博客
03-31 3070
大家好，我是微学AI，今天给大家介绍一下深度学习技巧应用6-神经网络中模型冻结：迁移学习的技巧，迁移学习中的部分模型冻结是一种利用预训练模型来解决新问题的技巧。
迁移学习之快速搭建【卷积神经网络】
黎国溥
05-13 3616
本篇文章带大家熟悉“迁移学习”的开发流程，介绍如何使用预先训练好的神经网络，结合实际的功能需求，来实现一些图像任务；比如：实现对猫和狗的图像进行分类。 预先训练好的神经网络，通常称为“预训练模型”，它在大型数据集上进行训练，取得业界认可的效果，开源给广大开发者使用的模型。本文主要介绍在keras中的关于图像任务的开源模型。 比如：在ImageNet数据集上预训练过的用于图像分类的模型 VGG16、VGG19、ResNetV2、InceptionV3、MobileNetV2、DenseNet、NA
Pytorch 实现冻结指定卷积层的参数
09-18
今天小编就为大家分享一篇Pytorch 实现冻结指定卷积层的参数，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
深度学习之迁移学习
最新发布
qq_28576837的博客
07-08 752
迁移学习通过 “知识复用” 打破了传统机器学习 “每个任务孤立训练” 的限制，尤其适合数据有限或计算资源受限的场景。从预训练模型微调（如 BERT、GPT）到跨领域知识迁移，它已成为现代 AI 的核心技术之一，推动了医疗、自动驾驶、NLP 等领域的快速发展。未来，随着多模态预训练模型（如 CLIP、GPT-4）的兴起，迁移学习的应用范围将进一步扩大。
层的冻结与选择
ningyanggege的博客
06-06 3436
冻结较低层第一个 DNN 的较低层可能已经学会了检测图片中的低级特征，这将在两个图像分类任务中有用，因此您可以按照原样重新使用这些层。 在训练新的 DNN 时，“冻结”权重通常是一个好主意：如果较低层权重是固定的，那么较高层权重将更容易训练（因为他们不需要学习一个移动的目标）。 要在训练期间冻结较低层，最简单的解决方案是给优化器列出要训练的变量，不包括来自较低层的变量：第一行获得隐藏层 3 和 4...
Pytorch冻结指定卷积层的参数
怡宝2号
01-08 7222
python代码 for i, para in enumerate(self._net.module.features.parameters()): if i < 16: para.requires_grad = False else: para.requires_...
keras冻结_使用预训练的卷积神经网络__keras实现VGG16
weixin_32211599的博客
02-17 602
VGG16内置于Keras，可以通过keras.applications模块中导入。--------------------------------------------------------将VGG16 卷积实例化：-----------------------------------------------------------------------------------------...
深度学习中基于ResNet-152的多类别花卉图像分类迁移学习实现与应用
02-06
使用场景及目标：①利用现有成熟深度学习框架快速搭建高效稳定的植物种类自动鉴定系统；②探索如何通过调节不同的预处理步骤与超参配置改进已有解决方案的准确性；③学习掌握现代CNN建模思路及其全流程实现技巧，...
深度学习：CNN卷积神经网络调整学习率方法以及迁移学习
mohanyelong的博客
09-25 1361
深度学习：CNN卷积神经网络调整学习率方法以及迁移学习
基于卷积神经网络（CNN）的深度迁移学习在声发射（AE）监测螺栓连接状况的应用
声纹感知 洞察芯声
06-03 1493
AE定义为检测由材料完整性的突然和永久性变化产生的瞬态弹性波引起的材料表面亚纳米级位移。使用AE的一个重大挑战是提取具有代表性的和鲁棒的特征，这对于状态监测至关重要。因此，本文旨在解决以下问题：哪些特征对于紧固程度分类最相关？这些特征如何通过几次测量活动泛化？
pytorch训练网络冻结某些层
猛男的博客
10-05 4252
引言：首先我们应该很清楚地知道冻结网络中的某些层有什么作用？如何进行相关的冻结设置？代码何如呢？ 话不多说说，首先我们探讨第一个问题: 1.冻结网络的某些层有什么作用？ 这个问题顾名思义就是冻结网络中的某些层，使网络在训练过程中，这些层都在不参与的状态，即网络中的某些参数设置就不会更改（已有的训练模型，类似于基于迁移学习的过程），如此大大加快了网络的训练过程，减少了训练的时间。此方法多用于基于迁移学习的模型训练与同时分别训练不同的网络。 2.冻结网络中的某些层应该如何设置？ ...
瞎聊深度学习——PaddlePaddle的使用（一）
热门推荐
二哥为啥不像程序员？
06-04 1万+
PaddlePaddle介绍 PaddlePaddle是百度自主研发的集深度学习核心框架、工具组件和服务平台为一体的技术领先、功能完备的开源深度学习平台，有全面的官方支持的工业级应用模型，涵盖自然语言处理、计算机视觉、推荐引擎等多个领域，并开放多个预训练中文模型。 PaddlePaddle同时支持稠密参数和稀疏参数场景的大规模深度学习并行训练，支持千亿规模参数、数百个节点的高效并行训练。Pad...
pytorch 加载预训练模型并冻结前n层
qq_36326840的博客
08-03 895
pytorch 加载预训练模型并冻结前n层
详解·在YOLOv5 中冻结特定层 Freeze Backbone
lythinking的博客
12-25 6240
在使用 YOLOv5 进行训练时，--freeze参数是控制特定层数冻结的主要方式。然而，训练过程的其他方面，如图像大小、批次大小、训练周期和数据集选择等，也可以通过命令行参数进行调整。这些参数共同决定了训练过程的行为和最终模型的性能。根据你对模型结构的理解，创建一个包含你想要冻结的层的名称的列表。在train.py或相应的训练脚本中，修改代码以冻结你选择的层。v.requires_grad = True # 默认所有层都可训练。
在PyTorch中如何巧妙地冻结卷积核的部分参数？
cda2024的博客
09-23 704
另一种更优雅的方式是创建一个自定义的卷积层类，该类继承自nn.Module，并重写它的forward方法。这样我们可以在前向传播时动态地应用不同的训练规则。# 训练模式下，使用冻结后的权重在这个例子中，我们定义了一个类，它接受一个标准的Conv2d实例以及需要冻结的卷积核数量作为输入。在训练模式下，它会自动将指定数量的卷积核设置为不可训练状态，而在评估模式下，则使用完整的权重。
Keras - 加载预训练模型并冻结网络的层
infinite_jason的博客
03-03 5295
目录 加载预训练模型： 冻结网络层： 冻结预训练模型中的层 加载所有预训练模型的层 在解决一个任务时，我会选择加载预训练模型并逐步fine-tune。比如，分类任务中，优异的深度学习网络有很多。ResNet, VGG, Xception等等... 并且这些模型参数已经在imagenet数据集中训练的很好了，可以直接拿过来用。根据自己的任务，训练一下最后的分类层即可得到比较好的结果...
Tensorflow入门与实战学习笔记（十一）-预训练网络
忆_恒心的博客
08-14 738
1 预训练网络（迁移学习）基础知识 1.1迁移学习 预训练网络又称为迁移学习，预训练网络是一个保存好的之前已在大型数据集（大规模图像分类任务）上训练好的卷积神经网络 如果这个原始数据集足够大且足够通用，那么预训练网络学到的特征的空间层次结构可以作为有效的提取视觉世界特征 的模型。 即使新问题和新任务与原始任务完全不同学习到的特征在不同问题之间是可移植的，这也是深度学习与浅层学习方法的一个重要优势。它使得深度学习对于小数据问题非常的有效。 1.2 Keras内置预训练网络 Keras库中包
【pytorch】冻结网络踩坑
qq_42785704的博客
03-03 2196
普通conv和fc层的冻结方式： # 冻结参数 for i, p in enumerate(self.model.parameters()): if i <= 66: p.requires_grad = False # 验证一下是否成功冻结参数 for k, v in self.model.named_parameters(): print("k:{} v:{} ".format(k, v.requires_grad)) 注意：model.par
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值