迁移学习【二】：神经网络之微调(fine-turning)

回顾，迁移学习过程：

①训练模型
②冻结模型部分层（一般指除全连接层外的所有层）
（上节内容）
————————————————————————
（本节内容）
③在冻结的层后增加或替换层 ←
④使用新数据重新训练，这时候学习率要很小（俗称微调fine-turning）←

近期更新（2022.4.25），增加了一行缺失的代码：output = Reshape([num_classes])(layer_softmax)

一、增加或替换层

承接上一节的代码，我们冻结了除全连接层外的所有层。保留了绝大部分前面训练的参数：

for layer in model.layers [:-3]:print(layer.name)layer.trainable = False

下一步，我们增加或替换网络的层(本质上就是重构网络)。

在本案例中，为方便读者理解， 我懒得改(●’◡’●) 我们保持结构不便。将1至倒数第四层的网络全部拿来：
x = model.layers[-4].output

然后在后续添加全连接层。微调的学习率要小，否则容易过拟合，这里设置学习率=0.0001(默认0.001)

x = model.layers[-4].output               layer_dense1 = Dense(num_classes, name="dense1")(x)
layer_softmax = Activation('softmax')(layer_dense1)
output = Reshape([num_classes])(layer_softmax)
model = Model(inputs=input, outputs=output)
model.compile(Adam(learning_rate=0.0001),loss='categorical_crossentropy', metrics=['accuracy'], experimental_run_tf_function=False)
model.summary()

二、微调fine-turning

重构好模型后，使用新环境下的数据进行微调（本质上就是再训练）

x_train_fineturning是新的训练数据
y_train_fineturning是对应的标签

history2 = model.fit(x_train_fineturning,y_train_fineturning,batch_size=batch_size,epochs=10,verbose=2,validation_split = 0.1,callbacks = [tf.keras.callbacks.ModelCheckpoint(filepath, monitor='val_accuracy', verbose=0, save_best_only=True, mode='max'),#学习率系数0.5tf.keras.callbacks.ReduceLROnPlateau(monitor='val_loss', factor=0.7, patience=3, verbose=1),tf.keras.callbacks.EarlyStopping(monitor='val_loss', patience=6, verbose=0, mode='auto')])

微调过程可视化：

由于微调过程很容易过拟合，训练完后，为进一步检验模型泛化能力，使用测试集的数据进行测试。

测试结果还OK

以上便是迁移学习的简单应用，是不是很简单~

上一章 迁移学习【一】：实现神经网络层的冻结