我试图使用VGG16应用迁移学习,但我很难找到一个具有多个输出的示例
我已经编写了我自己的体系结构,如下所示,我使用它来手动训练我的模型-尽管我不知道如何使用预先训练的模型编译相同的度量
我该怎么做
from keras.applications.vgg16 import VGG16
vgg16_model = VGG16(weights='imagenet',
include_top=False,
input_shape=(224,224,3))
vgg16_model.summary()
def modelG():
input=tf.keras.layers.Input(shape=(224,224,3))
x=input
x=layers.Conv2D(8,(3,3),activation='relu')(x)
x=layers.Conv2D(8,(3,3),activation='relu')(x)
x=layers.MaxPooling2D(2)(x)
x=layers.Dropout(0.1)(x)
x=layers.Conv2D(16,(3,3),activation='relu')(x)
x=layers.Conv2D(16,(3,3),activation='relu')(x)
x=layers.MaxPooling2D(2)(x)
x=layers.Dropout(0.1)(x)
x=layers.Conv2D(32,(3,3),activation='relu')(x)
x=layers.Conv2D(32,(3,3),activation='relu')(x)
x=layers.MaxPooling2D(2)(x)
x=layers.Dropout(0.1)(x)
x=layers.Conv2D(84,(3,3),activation='relu')(x)
x=layers.Dropout(0.1)(x)
x=layers.Flatten()(x)
out_col=layers.Dense(512,activation='relu')(x)
out_ren=layers.Dense(512,activation='relu')(x)
out_col= layers.Dense(1,activation='sigmoid',name='col_out')(out_col)
out_ren=layers.Dense(1,activation='relu',name='ren_out')(out_ren)
multiOutputModel=tf.keras.models.Model(inputs=input, outputs=[out_col, out_ren])
# Compile
multiOutputModel.compile(
optimizer='adam',
loss={
'ren_out': 'mean_squared_error',
'col_out': 'binary_crossentropy'},
loss_weights={
'ren_out': 4.0,
'col_out': 0.1},
metrics={
'ren_out': 'mean_absolute_error',
'col_out': 'accuracy'})
tf.keras.utils.plot_model(modelB, 'modelB.png',show_shapes=True)
return multiOutputModel
multiOutputModel.summary()
您可以像处理单输出情况一样执行此操作
注意,在VGG模型中,我设置了pooling='max',因此VGG的输出是一个一维标准张量,因此不需要平坦层
相关问题 更多 >
编程相关推荐