CNN基础三：预训练模型的微调

上一节中，我们利用了预训练的VGG网络卷积基，来简单的提取了图像的特征，并用这些特征作为输入，训练了一个小分类器。

这种方法好处在于简单粗暴，特征提取部分的卷积基不需要训练。但缺点在于，一是别人的模型是针对具体的任务训练的，里面提取到的特征不一定适合自己的任务；二是无法使用图像增强的方法进行端到端的训练。

因此，更为常用的一种方法是预训练模型修剪 + 微调，好处是可以根据自己任务需要，将预训练的网络和自定义网络进行一定的融合；此外还可以使用图像增强的方式进行端到端的训练。仍然以VGG16为例，过程为：

• 在已经训练好的基网络（base network）上添加自定义网络；
• 冻结基网络，训练自定义网络；
• 解冻部分基网络，联合训练解冻层和自定义网络。

注意在联合训练解冻层和自定义网络之前，通常要先训练自定义网络，否则，随机初始化的自定义网络权重会将大误差信号传到解冻层，破坏解冻层以前学到的表示，使得训练成本增大。

第一步：对预训练模型进行修改

##################第一步：在已经训练好的卷积基上添加自定义网络######################
import numpy as np
from keras.applications.vgg16 import VGG16
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten

#搭建模型
conv_base = VGG16(include_top=False, input_shape=(150,150,3)) #模型也可以看作一个层
model = Sequential()
model.add(conv_base)
model.add(Flatten())
model.add(Dense(256, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))
#model.summary()

第二步：冻结卷积基，训练自定义网络

######################第二步：冻结卷积基，训练自定义网络##########################
#冻结卷积基，确保结果符合预期。或者用assert len(model.trainable_weights) == 30来验证
print("冻结之前可训练的张量个数：", len(model.trainable_weights)) #结果为30
conv_base.trainable = False
print("冻结之后可训练的张量个数：", len(model.trainable_weights)) #结果为4
#注：只有后两层Dense可以训练，每层一个权重张量和一个偏置张量，所以有4个

#利用图像生成器进行图像增强
from keras.preprocessing.image import ImageDataGenerator

train_datagen = ImageDataGenerator(rescale=1./255,
                      rotation_range=40,
                      width_shift_range=0.2,
                      height_shift_range=0.2,
                      shear_range=0.2,
                      zoom_range=0.2,
                      horizontal_flip=True,
                      fill_mode='nearest')
test_datagen = ImageDataGenerator(rescale=1./255) #验证、测试的图像生成器不能用图像增强

train_dir = r'D:\KaggleDatasets\MyDatasets\dogs-vs-cats-small\train'
validation_dir = r'D:\KaggleDatasets\MyDatasets\dogs-vs-cats-small\validation'
train_generator = train_datagen.flow_from_directory(train_dir,
                                   target_size=(150,150),
                                   batch_size=20,
                                   class_mode='binary')
validation_generator = test_datagen.flow_from_directory(validation_dir,
                                                 target_size=(150,150),
                                                 batch_size=20,
                                                 class_mode='binary')

#模型编译和训练，注意修改trainable属性之后需要重新编译，否则修改无效
from keras import optimizers
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
H = model.fit_generator(train_generator,
                       steps_per_epoch=2000/20,
                       epochs=30,
                       validation_data=validation_generator,
                       validation_steps=1000/20)

训练30个epoch之后，结果如图所示。（结果可视化代码见上一节）

第三步：解冻部分卷积基（第5个block），联合训练

通常keras的冻结和解冻操作用的是模型或层的trainable属性。需要注意三点：

• model.trainable是全局属性，layer.trainable是层的属性，单独定义层的这一属性后全局属性即失效；
• 定义这一属性后，模型需要重新编译才能生效；
• conv_base是一个模型，但它在总模型model中是作为一个层的实例，因此遍历model.layers时会把conv_base作为一个层，如果需要深入conv_base内部各层进行操作，需要遍历conv_base.layers。

为了确保trainable属性符合预期，通常会确认一下，下面一些代码可能会有用。（这段主要是便于理解，跑代码时可选择性忽略这段。）

#可视化各层序号及名称
for i, layer in enumerate(model.layers):
    print(i, layer.name)

for i, layer in enumerate(conv_base.layers):
    print(i, layer.name)

#由于之前操作错误，导致模型全部层都被冻结，所以这个模块先把所有层解冻
for layer in conv_base.layers: #先解冻卷积基中所有层的张量
    layer.trainable = True

for layer in model.layers:  #解冻model中所有层张量
    layer.trainable = True

#查看各层的trainable属性
for layer in model.layers:
    print(layer.name, layer.trainable)

for layer in conv_base.layers:
    print(layer.name, layer.trainable)

#model.trainable = True  #注意：设定单独层的trainable属性后，全局trainable属性无效
print(len(conv_base.trainable_weights)) #26
print(len(model.trainable_weights)) #30

经过第二步之后，卷积基被冻结，后两层Dense可训练。接下来正式开始第三步，解冻第5个block，联合训练解冻层和自定义网络。

######################第三步：解冻部分卷积基，联合训练##########################
#冻结VGG16中前四个block，解冻第五个block
flag = False  #标记是否到达第五个block
for layer in conv_base.layers: #注意不是遍历model.layers
    if layer.name == 'block5_conv1': #若到达第五个block，则标记之
        flag = True
    if flag == False:  #若标记为False，则冻结，否则设置为可训练
        layer.trainable = False
    else:
        layer.trainable = True

print(len(model.trainable_weights)) #应为10

#重新编译并训练。血泪教训，一定要重新编译，不然trainable属性就白忙活了！
from keras import optimizers
#注：吐血，官网文档参数learning_rate，这里竟然不认，只能用lr
model.compile(loss='binary_crossentropy',
              optimizer=optimizers.Adam(lr=1e-5), metrics=['accuracy'])
H2 = model.fit_generator(train_generator,
                       steps_per_epoch=2000/20,
                       epochs=100,
                       validation_data=validation_generator,
                       validation_steps=1000/20)

经过100个epoch之后，结果如下。可以看出验证准确率被提高到94%左右。

Reference:

书籍：Python深度学习