冻结权重

示例：
这里使用的是tensorflow内置的Xception模型，然后将预训练模型的前100层冻结，训练后32层，加入全局平均池化层和输出层

covn_base = tf.keras.applications.xception.Xception(weights='imagenet',include_top=False)
covn_base.trainable = True

for layers in covn_base.layers[:-32]:
    layers.trainable = False

model = tf.keras.Sequential()
model.add(covn_base)
model.add(tf.keras.layers.GlobalAveragePooling2D())
model.add(tf.keras.layers.Dense(200))

model.summary()

总结：

covn_base.trainable = True
把trainable设置为True，意思就是在训练时，会更新权重。但是如果把它设置成False，就是在训练中不更新权重，也就是我们常说的冻结权重。

covn_base = tf.keras.applications.xception.Xception(weights='imagenet',include_top=False)
covn_base.trainable = True

下面代码的意思就是冻结最后32层之前的网络权重，而只训练最后32层网路的权重

covn_base = tf.keras.applications.xception.Xception(weights='imagenet',include_top=False)
covn_base.trainable = True
for layers in covn_base.layers[:-32]:
    layers.trainable = False

下面应该是创建一个可以存放网络层的一个序列

model = tf.keras.Sequential()

添加原始网络模型

model.add(covn_base)

在原始模型的最后，添加一些我们自己定义的网络层，最后将模型打包。
这便完成了对一个模型的迁移学习

model.add(tf.keras.layers.GlobalAveragePooling2D())
model.add(tf.keras.layers.Dense(200))

model.summary()