Как добавить верхние слои в предварительно обученную функциональную модель
Я пытаюсь создать модель ResNet50, используя Keras для прогнозирования кошек и собак. Я решил просто работать с подмножеством данных из 1000 точек, с разделением 700-150-150 поезд-валидация-тест. (Я знаю, что он небольшой, но мой компьютер может с ним справиться.) Я импортировал модель, используя
resnet_model = keras.applications.ResNet50(include_top=False, input_tensor=None, input_shape=None, pooling=None, classes=2)
resnet_model.compile(Adam(lr=.0001), loss='categorical_crossentropy', metrics=['accuracy'])
Но когда я пытаюсь соответствовать этому
aug = ImageDataGenerator(rotation_range=20, zoom_range=0.15,
width_shift_range=0.2, height_shift_range=0.2, shear_range=0.15,
horizontal_flip=True, fill_mode = "nearest")
resnet_model.fit_generator(aug.flow(X_train, y_train, batch_size = batches), steps_per_epoch = len(X_train) // batches,
validation_data = (X_valid, y_valid), validation_steps = 4, epochs = 10, verbose = 1)
Я получаю следующую ошибку значения:
ValueError: Error when checking target: expected activation_352 to have 4 dimensions, but got array with shape (150, 2)
Массив (150,2) явно исходит из valid_y, но я не знаю, почему этот конкретный вывод должен иметь 4 измерения - это должен быть вектор метки, а не размер 4-мерного изображения и вектор цвета. Может ли кто-нибудь помочь мне понять, как заставить модель распознавать этот ввод?
Примечание: Я знаю, что Даниэль Мёллер упоминает здесь о том, что мне нужно добавить слой Flatten(), но природа функциональной модели и ее вызов вряд ли допускают это, если только я не хочу переписать всю ResNet с нуля (что, кажется, побеждает цель иметь многоразовую предварительно обученную модель). Любое понимание будет оценено.
Ответы 1
Изучив Комментарии Мёллера и код от Yu-Yang здесь, я смог переформулировать верхнюю часть модели, используя следующий код:
pre_resnet_model = keras.applications.ResNet50(include_top=False, weights='imagenet', input_tensor=None, input_shape=(224,224,3), pooling=None, classes=2)
for layer in pre_resnet_model.layers:
layer.trainable = False
flatten = Flatten()(pre_resnet_model.output)
output = Dense(2, activation='softmax')(flatten)
resnet_model = Model(pre_resnet_model.input, output)
Слой flatten сглаживается, а затем на нем рисуется слой output. Я еще не уверен, почему для Model() требуются только ResNet50().input и output, поэтому, если кто-нибудь может объяснить мне, почему я пропустил Flatten(), я был бы признателен — Model() явно не требует перечисления всех слоев, так это только вход и выход? Я взгляну на документацию, а пока, если кто-то забредет и у него есть четкое объяснение, я возьму его.
Дракончик.
a = Input(shape=(32,))b = Dense(32)(a)model = Model(inputs=a, outputs=b)«Эта модель будет включать все слои, необходимые для вычисленияbданногоa». Не становится намного яснее, чем это. Я оставлю этот вопрос, потому что я думаю, что он объединяет много информации, которую я долго искал, но кое-что из этого также довольно ясно из документации.