J'ai vu de nombreux exemples sur Internet sur la façon d'affiner VGG16 et InceptionV3.Par exemple, certaines personnes vont définir les 25 premiers calques à être gelés lors du réglage fin de VGG16. Pour InceptionV3, les 172 premières couches seront gelées. Mais qu'en est-il de resnet? Quand nous faisons un réglage fin, nous allons geler certaines couches du modèle de base, comme suit:comment faire la mise au point avec le modèle resnet50?
from keras.applications.resnet50 import ResNet50
base_model = ResNet50(include_top=False, weights="imagenet", input_shape=(input_dim, input_dim, channels))
..............
for layer in base_model.layers[:frozen_layers]:
layer.trainable = False
Alors, comment dois-je régler les frozen_layers? En fait, je ne sais pas combien de couches dois-je définir pour être gelé quand je fais le réglage avec VGG16, VGG19, ResNet50, InceptionV3 .etc. Quelqu'un peut-il me donner des suggestions sur la façon d'affiner ces modèles? Surtout combien de couches les gens vont geler quand ils font des réglages fins avec ces modèles?
J'ai aussi entendu dire que si nous formons seulement nos propres couches denses, c'est ce qu'on appelle l'apprentissage par transfert. Et si nous formons certaines couches dans le model_base (comme resnet, vgg .etc) avec un petit taux d'apprentissage, cela s'appelle le réglage fin. Je sais que les blocs convolutifs ont une signification particulière, alors comment geler les couches dans le modèle de base afin de faire un réglage fin? –
Je les vois sur ce blog: [build-puissant-image-classification-modèles-en utilisant-très-peu-données] (https://blog.keras.io/building-powerful-image-classification-models-using- very-little-data.html) –