我想在Keras中使用MobileNetV2对大小为39 x 39的图像进行分类，分类类别为3类。我的图像表示热图（例如，键盘上按下了哪些键）。我认为MobileNet设计用于处理大小为224 x 224的图像。我不会使用迁移学习，而是从头开始训练模型。
为了使MobileNet能够处理我的图像，我希望将前三个步长为2的卷积替换为步长为1的卷积。我有以下代码：
from tensorflow.keras.applications import MobileNetV2base_model = MobileNetV2(weights=None, include_top=False, input_shape=[39,39,3])x = base_model.outputx = GlobalAveragePooling2D()(x)x = Dropout(0.5)(x)output_tensor = Dense(3, activation='softmax')(x)cnn_model = Model(inputs=base_model.input, outputs=output_tensor)opt = Adam(lr=learning_rate)cnn_model.compile(loss='categorical_crossentropy', optimizer=opt, metrics=['accuracy', tf.keras.metrics.AUC()])如何在不自己构建MobileNet的情况下，将前三个步长为2的卷积替换为步长为1的卷积？
回答：
这里有一个解决方案来满足你的需求，但我认为可能有更通用的方法。然而，在MobileNetV2中，只有一个conv层具有strides 2。如果你查看源代码，这里
x = layers.Conv2D( first_block_filters, kernel_size=3, strides=(2, 2), padding='same', use_bias=False, name='Conv1')(img_input) x = layers.BatchNormalization( axis=channel_axis, epsilon=1e-3, momentum=0.999, name='bn_Conv1')( x) x = layers.ReLU(6., name='Conv1_relu')(x)其余的块定义如下
x = _inverted_res_block( x, filters=16, alpha=alpha, stride=1, expansion=1, block_id=0) x = _inverted_res_block( x, filters=24, alpha=alpha, stride=2, expansion=6, block_id=1) x = _inverted_res_block( x, filters=24, alpha=alpha, stride=1, expansion=6, block_id=2)所以，这里我将处理第一个conv层，其stride=(2, 2)。想法很简单，我们将在内置模型的正确位置添加一个新层，然后移除所需的层。
def _make_divisible(v, divisor, min_value=None): if min_value is None: min_value = divisor new_v = max(min_value, int(v + divisor / 2) // divisor * divisor) # 确保向下取整不会降低超过10%。 if new_v < 0.9 * v: new_v += divisor return new_valpha = 1.0first_block_filters = _make_divisible(32 * alpha, 8)inputLayer = tf.keras.Input(shape=(39, 39, 3), name="inputLayer")inputcOonv = tf.keras.layers.Conv2D( first_block_filters, kernel_size=3, strides=(1, 1), padding='same', use_bias=False, name='Conv1_' )(inputLayer)上述_make_divisible函数直接从源代码中派生出来。无论如何，现在我们将这个层添加到MobileNetV2中，紧接在第一个conv层之前，如下所示：
base_model = tf.keras.applications.MobileNetV2(weights=None, include_top=False, input_tensor = inputcOonv)x = base_model.outputx = GlobalAveragePooling2D()(x)x = Dropout(0.5)(x)output_tensor = Dense(3, activation='softmax')(x)cnn_model = Model(inputs=base_model.input, outputs=output_tensor)现在，如果我们观察
for i, l in enumerate(cnn_model.layers): print(l.name, l.output_shape) if i == 8: breakinputLayer [(None, 39, 39, 3)]Conv1_ (None, 39, 39, 32)Conv1 (None, 20, 20, 32)bn_Conv1 (None, 20, 20, 32)Conv1_relu (None, 20, 20, 32)expanded_conv_depthwise (None, 20, 20, 32)expanded_conv_depthwise_BN (None, 20, 20, 32)expanded_conv_depthwise_relu (None, 20, 20, 32)expanded_conv_project (None, 20, 20, 16)层名称Conv1_和Conv1分别是新层（步长为1）和旧层（步长为2）。正如我们所需的，现在我们移除步长为2的Conv1层，如下所示：
cnn_model._layers.pop(2) # 移除 Conv1for i, l in enumerate(cnn_model.layers): print(l.name, l.output_shape) if i == 8: breakinputLayer [(None, 39, 39, 3)]Conv1_ (None, 39, 39, 32)bn_Conv1 (None, 20, 20, 32)Conv1_relu (None, 20, 20, 32)expanded_conv_depthwise (None, 20, 20, 32)expanded_conv_depthwise_BN (None, 20, 20, 32)expanded_conv_depthwise_relu (None, 20, 20, 32)expanded_conv_project (None, 20, 20, 16)expanded_conv_project_BN (None, 20, 20, 16)现在，你的cnn_model模型的第一个conv层步长为1。但是，如果你对这种方法及其可能的问题有疑问，请查看我与此相关的另一个回答。如何从Keras模型中移除前N个层？
