from keras.applications.resnet50 import ResNet50from keras.preprocessing import imagefrom keras.applications.resnet50 import preprocess_input, decode_predictionsimport numpy as npmodel = ResNet50(weights='imagenet')在这段代码中，有一个被称为“包装器”的ResNet50。我想知道对于这个包装器，还可以使用哪些类型的权重？我尝试查找了一些资料，但连源代码也看不太懂，里面也没有明确的结论。
回答：
只有两个选项：如果你只想要架构而不需要权重，可以使用None；如果你想加载ImageNet的权重，则使用imagenet。
编辑：如何使用我们自己的权重：
# 以DenseNET201为例backbone = tf.keras.applications.DenseNet201(input_shape=input_shape, weights=None, include_top=False)# 稍微修改一下模型，为什么不呢input_image = tf.keras.layers.Input(shape=input_shape)x = backbone(input_image)x = tf.keras.layers.Conv2D(classes, (3, 3), padding='same', name='final_conv')(x)x = tf.keras.layers.Activation(activation, name=activation)(x)model = tf.keras.Model(input_image, x)#... 一些额外的代码# 训练部分optimizer = tf.keras.optimizers.Adam(lr=FLAGS.learning_rate)model.compile(loss=loss, optimizer=optimizer, metrics=['accuracy', f1_m, recall_m, precision_m])callbacks = [tf.keras.callbacks.ModelCheckpoint(filepath=ckpt_name)]model.fit(train_generator, validation_data=validation_generator, validation_freq=1, epochs=10, callbacks=callbacks)# 使用回调，每个epoch都会在ckpt_name中保存权重# 推理部分，只需重新实例化模型（#Change部分之后的代码）model.load_weights(ckpt_name)results = model.predict(test_generator, verbose=1)显然，你不需要改变模型，你可以使用x = backbone(x)然后model = tf.keras.Model(input_image, x)。
