我正在通过卷积神经网络（CNN）在Keras中处理一个基于2D RGB像素的图像分类问题。我的完整CNN模型可以在这里找到这里。

我使用以下代码来训练/拟合CNN模型：

model =  my_CNN_unet()model_checkpoint = ModelCheckpoint('testweights_{epoch:02d}.hdf5')model.fit(x_trn, y_trn, batch_size=50, epochs=3, verbose=1, shuffle=True,callbacks=[model_checkpoint], validation_data=(x_val, y_val))

如何修改我的代码，以便使用来自知名CNN架构（如VGG和Inception）的预训练权重（即迁移学习）？

回答：

正如评论中所提到的，keras.applications提供了一种访问预训练模型的方法。例如：

import kerasfrom keras.models import Modelmodel_base = keras.applications.vgg16.VGG16(include_top=False, input_shape=(*IMG_SIZE, 3), weights='imagenet')output = model_base.output# 在这里添加你想要的任何其他层...output = Dense(len(categories), activation='softmax')(output)model = Model(model_base.input, output)for layer in model_base.layers:   layer.trainable = Falsemodel.compile(optimizer='adam',              loss='categorical_crossentropy',              metrics=['accuracy'])return model

你可以像训练之前的CNN一样训练这个模型。Keras应用提供了对许多模型的访问，如Inception、VGG16、VGG19、ResNet等——你可以以类似的方式访问它们。我写了一篇博客文章，详细介绍了如何在Keras中使用迁移学习来构建图像分类器，这里是链接：http://innolitics.com/10x/pretrained-models-with-keras/。其中还包含了一个工作代码示例，你可以参考。