需求：Resnet50做调优训练，将最后分类数目由1000改为500。
问题：网上下载了resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5，更改了Resnet50后，由于所有层均参加训练，导致训练速度慢。实际上只需要训练最后3层，前面的层都不需要训练。
解决办法：
①将模型拆分为两个模型，一个为前面的notop部分，一个为最后三层，然后利用model的trainable属性设置只有后一个model训练，最后将两个模型合并起来。
②不用拆分，遍历模型的所有层，将前面层的trainable设置为False即可。代码如下：
for layer in model.layers[:-3]: print(layer.trainable) layer.trainable = False
注意事项：
①尽量不要这样：
layers.Conv2D(filters1, (1, 1), trainable=False)(input_tensor)
因为容易出错。。。
②加载notop参数时注意by_name=True.
补充知识：Keras关于训练冻结部分层
设置冻结层有两种方式。
（不推荐）是在搭建网络时，直接将某层的trainable设置为false，例如:
layers.Conv2D(filters1, (1, 1), trainable=False)(input_tensor)
在网络搭建完成时，遍历model.layer,然后将layer.trainable设置为False:
# 冻结网络倒数的3层 for layer in model.layers[:-3]: print(layer.trainable) layer.trainable = False
也可以根据layer.name来确定哪些层需要冻结,例如冻结最后一层和RNN层：
for layer in model.layers:
layerName=str(layer.name)
if layerName.startswith("RNN_") or layerName.startswith("Final_"):
layer.trainable=False
可以在实例化之后将网络层的 trainable 属性设置为 True 或 False。为了使之生效，在修改 trainable 属性之后，需要在模型上调用 compile()。
这是一个例子
x = Input(shape=(32,)) layer = Dense(32) layer.trainable = False y = layer(x) frozen_model = Model(x, y) # 在下面的模型中，训练期间不会更新层的权重 frozen_model.compile(optimizer='rmsprop', loss='mse') layer.trainable = True trainable_model = Model(x, y) # 使用这个模型，训练期间 `layer` 的权重将被更新 # (这也会影响上面的模型，因为它使用了同一个网络层实例) trainable_model.compile(optimizer='rmsprop', loss='mse') frozen_model.fit(data, labels) # 这不会更新 `layer` 的权重 trainable_model.fit(data, labels) # 这会更新 `layer` 的权重
在网络搭建时，可以考虑最后一个分类层命名和分类数量关联，这样当费雷数量方式变化时，model.load_weight(“weight.h5”，by_name=True)不会加载最后一层
以上这篇Keras: model实现固定部分layer,训练部分layer操作就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。