如何将keras中的参数设置为不可训练？

Question

我是 Keras 的新手，我正在构建一个模型。我想在训练前几层时冻结模型最后几层的权重。我试图将横向模型的可训练属性设置为 False，但它似乎不起作用。这是代码和模型摘要：

opt = optimizers.Adam(1e-3)
domain_layers = self._build_domain_regressor()
domain_layers.trainble = False
feature_extrator = self._build_common()
img_inputs = Input(shape=(160, 160, 3))
conv_out = feature_extrator(img_inputs)
domain_label = domain_layers(conv_out)
self.domain_regressor = Model(img_inputs, domain_label)
self.domain_regressor.compile(optimizer = opt, loss='binary_crossentropy', metrics=['accuracy'])
self.domain_regressor.summary()

型号汇总：model summary。

如您所见，model_1 是可训练的。但是根据代码，它被设置为不可训练的。

Answer 1

尽管原始问题的解决方案是一个错字修复，让我添加一些有关 keras 可训练对象的信息。

现代 Keras 包含以下工具来查看和操作可训练状态：

• tf.keras.Layer._get_trainable_state() 函数 - 打印字典，其中键是模型组件，值是布尔值。请注意，tf.keras.Model 也是 tf.Keras.Layer。
• tf.keras.Layer.trainable 属性 - 操作各个层的可训练状态。

所以典型的动作如下所示：

# Print current trainable map:
print(model._get_trainable_state())

# Set every layer to be non-trainable:
for k,v in model._get_trainable_state().items():
    k.trainable = False

# Don't forget to re-compile the model
model.compile(...)

Answer 2

单词“trainble”中有错字（缺少“a”）。可悲的是，keras 没有警告我该模型不具有“可训练”属性。这个问题可以结束了。

Answer 3

更改代码中的最后 3 行：

last_few_layers = 20 #number of the last few layers to freeze
self.domain_regressor = Model(img_inputs, domain_label)
for layer in model.layers[:-last_few_layers]:
    layer.trainable = False
self.domain_regressor.compile(optimizer = opt, loss='binary_crossentropy', metrics=['accuracy'])

Answer 4

您可以简单地为层属性trainable 分配一个布尔值。

model.layers[n].trainable = False

您可以可视化哪个层是可训练的：

for l in model.layers:
    print(l.name, l.trainable)

你也可以通过模型定义来传递它：

frozen_layer = Dense(32, trainable=False)

来自 Keras documentation:

“冻结”一个层意味着从训练中排除它，即它的 权重永远不会更新。这在以下情况下很有用 微调模型，或对文本输入使用固定嵌入。
您可以将可训练的参数（布尔值）传递给层构造函数以 将图层设置为不可训练。 此外，您可以将图层的可训练属性设置为 True 或 实例化后为假。要使其生效，您需要 修改可训练属性后在模型上调用 compile()。