迁移学习中的问题 - 无法使用 keras 迁移权重答案

【问题标题】：Problem in transfer learning - couldn't transfer weights using keras迁移学习中的问题 - 无法使用 keras 迁移权重
【发布时间】：2019-09-19 05:59:49
【问题描述】：

我使用监督学习训练了网络并保存了它的权重，现在我创建了一个带有附加层的新网络（新网络包含旧网络的相同层并有附加层），我需要将所有旧网络权重转移到新网络并随机初始化新的附加层，但是当我使用新权重时，它需要随机预测（权重是随机初始化的）。旧网络的 weights.h5 与磁盘中新网络的 weights.h5 大小不同。

from keras import layers, models, optimizers
from keras import backend as K
import numpy as np
from keras.models import Model, load_model



import keras.losses

model = load_model("nvidia_41_named.h5") #the old network
model.load_weights("nvidia_41_named_weights.h5") # the old weights

actor=load_model("actormodel.h5") #the new network

for layer in model.layers : 
    name = layer.name

    for lay in actor.layers : 
        if lay.name == name:
            print(lay.name)
            weights = model.get_layer(name).get_weights()
            actor.get_layer(name).set_weights(weights)
            print(lay.name,'correctly transferred')
            print("========================================")

两个网络的示意图：

【问题讨论】：

标签： python tensorflow machine-learning keras deep-learning

【解决方案1】：

我今天早些时候也有同样的问题，但再也找不到 stackoverflow 的答案了。如果您在旧模型中命名图层，则使用 model.load_weights("./weights_cnn.hdf5", by_name=True) （标志“by_name”很重要！）它应该为命名层加载正确的权重。

cnn1 = tf.keras.layers.Conv2D(filters, kernel, padding="same", activation='relu', name='conv_1_j')(inp_layer)

【讨论】：