我在互联网上看到过很多关于如何微调VGG16和InceptionV3的示例，例如，有些人在微调VGG16时会将前25层设置为冻结。对于InceptionV3，将冻结前172层。但是resnet呢？进行微调时，将冻结基本模型的某些层，如下所示：
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
那么我应该如何设置Frozen_layers？实际上，当我使用VGG16，VGG19，ResNet50，InceptionV3等进行微调时，我不知道应该设置多少层冻结。谁能给我一些关于如何微调这些模型的建议？特别是当人们对这些模型进行微调时，他们将冻结多少层？
最佳答案
很好奇。...VGG16模型共有23层...（https://github.com/fchollet/keras/blob/master/keras/applications/vgg16.py）
所有这些模型都具有类似的结构：
一系列卷积层
随后是几层致密层
这几个密集层就是keras所说的top。 （与include_top参数相同）。
通常，这种微调仅发生在最后的密集层中。您让卷积层（理解图像并定位特征）不变地完成其工作，并创建适合您的个人班级的顶层。
人们通常会创建自己的顶部，因为他们没有与原始模型完全相同的课程。因此他们改编了最后一部分，只训练了最后一部分。
因此，您可以使用include_top=False创建模型，然后将其完全冻结。
现在，您可以添加自己的致密层并使它们可训练。
这是这些模型的最常见的改编。
对于其他类型的微调，可能没有明确的规则。
关于machine-learning - 如何使用resnet50模型进行微调？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/46693776/