建立模型的一般方法

Question

目前，我正在为情感计算创建模型，我发现在 tensorflow 中有两种不同的模型构建方法。

1. 初始化一个空的 Sequential()，然后将 Dense 层放入其中。

model = Sequential()
model.add(Activation('relu'))
.
.
.
model.add(Activation('softmax')) 

1. 获取现有模型的输出，然后放置额外的 Dense 层

model = VGG16.output
model = Flatten()(model)
.
.
.
model = Activation('softmax')(model)

我想知道第一种方法和第二种方法有什么区别吗？如果是，哪一个适合哪些场景？ 谢谢你的回答。

Answer 1

如果我对您的理解正确，您正在寻找：使用哪种方法以及何时使用的基本原理。

您可以构建一个模型并从头开始使用一些训练数据对其进行训练。或者，您可以使用先前训练的模型并对其进行微调，这也称为迁移学习。你甚至可以使用另一个模型的主干，但从头开始训练它（这里没有迁移学习）。

你想使用哪一个，这完全取决于你的用例。

1. 您问题中的第一个代码块用于从头开始定义您选择的模型。
   • 如果您需要构建更复杂的模型，您可以使用 Sequential、Functional API，甚至可以尝试 Subclassing。
2. 您问题中的第二个代码块可用于以下两个代码块中的任何一个：
   1. 为您的特定任务微调预学习网络（您在这里实质上是迁移学习）。
   2. 在不加载权重的情况下使用网络的主干并从头开始训练。

看到这个：Project organization with Tensorflow.keras. Should one subclass tf.keras.Model?