我正在嘗試使用VGG16應用遷移學習，但我正在努力尋找具有多個輸出的示例。
我已經撰寫了自己的架構，如下所示，我曾經手動訓練我的模型 - 盡管我不明白如何使用預訓練模型編譯相同的指標。
我該怎么做呢？
from keras.applications.vgg16 import VGG16
vgg16_model = VGG16(weights='imagenet',
include_top=False,
input_shape=(224,224,3))
vgg16_model.summary()
def modelG():
input=tf.keras.layers.Input(shape=(224,224,3))
x=input
x=layers.Conv2D(8,(3,3),activation='relu')(x)
x=layers.Conv2D(8,(3,3),activation='relu')(x)
x=layers.MaxPooling2D(2)(x)
x=layers.Dropout(0.1)(x)
x=layers.Conv2D(16,(3,3),activation='relu')(x)
x=layers.Conv2D(16,(3,3),activation='relu')(x)
x=layers.MaxPooling2D(2)(x)
x=layers.Dropout(0.1)(x)
x=layers.Conv2D(32,(3,3),activation='relu')(x)
x=layers.Conv2D(32,(3,3),activation='relu')(x)
x=layers.MaxPooling2D(2)(x)
x=layers.Dropout(0.1)(x)
x=layers.Conv2D(84,(3,3),activation='relu')(x)
x=layers.Dropout(0.1)(x)
x=layers.Flatten()(x)
out_col=layers.Dense(512,activation='relu')(x)
out_ren=layers.Dense(512,activation='relu')(x)
out_col= layers.Dense(1,activation='sigmoid',name='col_out')(out_col)
out_ren=layers.Dense(1,activation='relu',name='ren_out')(out_ren)
multiOutputModel=tf.keras.models.Model(inputs=input, outputs=[out_col, out_ren])
# Compile
multiOutputModel.compile(
optimizer='adam',
loss={
'ren_out': 'mean_squared_error',
'col_out': 'binary_crossentropy'},
loss_weights={
'ren_out': 4.0,
'col_out': 0.1},
metrics={
'ren_out': 'mean_absolute_error',
'col_out': 'accuracy'})
tf.keras.utils.plot_model(modelB, 'modelB.png',show_shapes=True)
return multiOutputModel
multiOutputModel.summary()
uj5u.com熱心網友回復：
你會像在單輸出情況下那樣做
base_model=tf.keras.applications.VGG19(include_top=False, weights="imagenet",input_shape=img_shape, pooling='max')
x=base_model.output
out_col=layers.Dense(512,activation='relu')(x)
out_ren=layers.Dense(512,activation='relu')(x)
out_col= layers.Dense(1,activation='sigmoid',name='col_out')(out_col)
out_ren=layers.Dense(1,activation='relu',name='ren_out')(out_ren)
multiOutputModel=tf.keras.models.Model(inputs=base_model.input, outputs=[out_col, out_ren])
請注意，在 VGG 模型中，我設定了 pooling='max'，因此 VGG 的輸出是一個 1 維張量，因此您不需要展平層。
轉載請註明出處，本文鏈接：https://www.uj5u.com/yidong/324601.html