Keras NASNet训练

Question

我打算：

1. 在数据集上从头开始训练NASNet
2. 仅重新培训NASNet的最后一层（转移学习）

比较他们的相对表现。从文档中我看到：

keras.applications.nasnet.NASNetLarge(input_shape=None, include_top=True, weights='imagenet', input_tensor=None, pooling=None, classes=1000)

不过，文档有点混乱。在

问题：

1. 对于转移学习，我是否要设置include_top = True和classes = (num_classes)，冻结除最后一层之外的所有层，然后对其进行训练吗？

2. 是否要求输入图像与指定的形状相同？NASNet需要（331331,3），但这是相当大的，我看到imagenet正在使用不同的大小进行训练。我可以使用较小的图像，如（120120，3）并替换顶层吗？这还算是转移学习吧？然而，NASNet的最后一层似乎是一种特殊类型的单元，我该如何实现它呢？

3. 如果我想从头开始训练，我能确认我设置了include_top = False，并在末尾添加完全连接的层吗？

理想的情况下，如果有一个教程，说明如何从零开始训练NASNet，以及在新的数据集上进行转移学习，那就太好了。我为imagenet找到了一个，但是他自己构建了模型层，而不是使用keras.applications。在

Answer 1

以下是您问题的答案：

For transfer learning, do I set include_top = True and classes = 
(num_classes), freeze all the layers except the last one, then train 
that?

加载要用于传输学习的任何模型时，如果将“include_top”参数设置为False，则不会加载用于进行预测的模型的完全连接的输出层，从而允许您添加要添加和训练的新输出层。在

^{pr2}$

对你来说重塑图像是非常重要的，使它们与预训练模型（如NasNet）的图像大小相同，否则会导致偏差。在

If I want to train from scratch, can I confirm that i set include_top = 
False, and add fully connected layers to the end?

“include_top”参数与是否必须训练整个模型或冻结模型无关。下面是如何训练整个模型以及模型的一部分的示例：

for layer in model.layers:
    layer.trainable=False
# or if we want to set the first 20 layers of the network to be non- 
trainable
for layer in model.layers[:20]:
    layer.trainable=False
for layer in model.layers[20:]:
    layer.trainable=True