假设我有一个模型

from tensorflow.keras.applications import DenseNet201base_model = DenseNet201(input_tensor=Input(shape=basic_shape))model = Sequential()model.add(base_model)model.add(Dense(400))model.add(BatchNormalization())model.add(ReLU())model.add(Dense(50, activation='softmax'))model.save('test.hdf5')

然后我加载保存的模型，并尝试使DenseNet201的最后40层可训练，前161层不可训练：

saved_model = load_model('test.hdf5')cnt = 44saved_model.trainable = False  while cnt > 0:      saved_model.layers[-cnt].trainable = True      cnt -= 1

但实际上这不起作用，因为DenseNet201被视为单一层，我只是得到了索引超出范围的错误。

Layer (type)                 Output Shape              Param #   =================================================================densenet201 (Functional)     (None, 1000)              20242984  _________________________________________________________________dense (Dense)                (None, 400)               400400    _________________________________________________________________batch_normalization (BatchNo (None, 400)               1600      _________________________________________________________________re_lu (ReLU)                 (None, 400)               0         _________________________________________________________________dense_1 (Dense)              (None, 50)                20050     =================================================================Total params: 20,665,034Trainable params: 4,490,090Non-trainable params: 16,174,944

问题是如何在加载的模型上实际使DenseNet的前161层不可训练，最后40层可训练？

回答：

densenet201 (Functional)是一个嵌套模型，因此您可以像访问最顶层模型的层一样访问它的层。

saved_model.layers[0].layers

其中saved_model.layers[0]是一个拥有自己层的模型。

在您的循环中，您需要这样访问层

saved_model.layers[0].layers[-cnt].trainable = True

更新

默认情况下，加载的模型的层是可训练的(trainable=True)，因此您需要将底层层的trainable属性设置为False。