冻结 TensorFlow2 层答案

【问题标题】：Freezing TensorFlow2 layers冻结 TensorFlow2 层
【发布时间】：2020-08-16 12:49:14
【问题描述】：

我有一个用于 MNIST 数据集的 LeNet-300-100 密集神经网络，我想冻结前两个隐藏层中具有 300 和 100 个隐藏神经元的前两层。我只想训练输出层。我必须这样做的代码如下：

from tensorflow import keras

inner_model = keras.Sequential(
    [
        keras.Input(shape=(1024,)),
        keras.layers.Dense(300, activation="relu", kernel_initializer = tf.initializers.GlorotNormal()),
        keras.layers.Dense(100, activation="relu", kernel_initializer = tf.initializers.GlorotNormal()),
    ]
)

model_mnist = keras.Sequential(
    [keras.Input(shape=(1024,)), inner_model, keras.layers.Dense(10, activation="softmax"),]
)

# model_mnist.trainable = True  # Freeze the outer model
# Freeze the inner model-
inner_model.trainable = False


# Sanity check-
inner_model.trainable, model_mnist.trainable
# (False, True)

# Compile NN-
model_mnist.compile(
    loss=tf.keras.losses.categorical_crossentropy,
    # optimizer='adam',
    optimizer=tf.keras.optimizers.Adam(lr = 0.0012),
    metrics=['accuracy'])

但是，这段代码似乎并没有冻结前两个隐藏层，它们也在学习。我做错了什么？

谢谢！

【问题讨论】：

标签： neural-network tensorflow2.0

【解决方案1】：

解决方案：在定义神经网络模型时使用“可训练”参数来冻结模型的所需层，如下所示-

model = Sequential()

model.add(Dense(units = 300, activation="relu", kernel_initializer = tf.initializers.GlorotNormal(), trainable = False))

model.add(Dense(units = 100, activation = "relu", kernel_initializer = tf.initializer.GlorotNormal(), trainable = False))

model.add(Dense(units = 10, activation = "softmax"))

# Compile model as usual

【讨论】：