Nach @FlashTek Antwort können wir dieses Modell auch auf unserem Datensatz trainieren.
Blick auf den folgenden Code:
model = applications.ResNet50(weights = "imagenet", include_top=False,
input_shape = (img_width, img_height,3))
# Freeze the layers which you don't want to train. Here I am freezing the first 30 layers.
for layer in model.layers[0:30]:
layer.trainable = False
for layer in model.layers[30:]:
layer.trainable = True
#Adding custom Layers
x = Flatten()(model.output)
# x = Dense(1024, activation="relu")(x)
# x = Dropout(0.5)(x)
# x = Dense(1024, activation="relu")(x)
# x = Dropout(0.5)(x)
x = Dense(1024, activation="relu")(x)
predictions = Dense(2, activation="softmax")(x)
In dem obigen Code können wir angeben, wie viele Schicht RESNET wir auf unserem Datensatz trainieren durch layer.trainable Zuweisung entweder wahr es auf trainieren Ihr Datensatz oder falsch für sonst.
Abgesehen davon können wir auch Schicht nach der Netzwerk-Stick wie in Hinzufügen von benutzerdefinierten Schichten gezeigt
Wenn Ihre Frage gelöst ist, sollten Sie die meisten hilfreiche Antwort als Lösung markieren dieses Thema zu schließen. – FlashTek