机器学习与深度学习 / 系统课时
加载预训练模型
加载预训练模型
Keras Applications 提供了一组可直接加载的经典图像网络。本课用 MobileNetV2 演示如何取得 ImageNet 预训练权重、去掉原分类头、匹配输入尺寸和预处理函数,并用输出形状与参数量确认模型确实按预期加载。
学习目标
- 正确使用
weights、include_top、input_shape和pooling等关键参数。 - 加载 MobileNetV2 的 ImageNet 权重并验证输出特征形状。
- 避免预处理方式、输入通道和分类头配置不匹配的问题。
先确定要保留哪一部分模型
做迁移学习时,最常见的入口是 tf.keras.applications.MobileNetV2。如果新任务不是 ImageNet 原来的 1000 类,就通常设置 include_top=False,只保留卷积特征提取部分,再自行添加分类头。
| 参数 | 常用取值 | 作用 |
|---|---|---|
weights |
"imagenet" |
加载 ImageNet 预训练权重 |
include_top |
False |
去掉原来的全连接分类器 |
input_shape |
(160, 160, 3) |
指定当前 RGB 输入尺寸 |
pooling |
None、"avg" 或 "max" |
决定是否把最后的 4D 特征图汇聚成 2D 向量 |
如果使用 include_top=True 且加载 MobileNetV2 的 ImageNet 顶层权重,就保留原 1000 类分类器;迁移到自定义类别时一般没有必要。以下示例使用 TensorFlow 2.x 的 tf.keras 接口;如果项目统一使用独立 Keras 3,则对应入口是 keras.applications,不要在同一模型代码里混用两套导入路径。
加载 MobileNetV2 并验证结果
下面代码会在本地没有缓存时下载权重,然后构造一个输入为 160×160×3 的特征提取器。为避免只“加载成功”却不知道输出是否正确,示例同时检查输出形状、参数量和一次前向计算。
import tensorflow as tf
model = tf.keras.applications.MobileNetV2(
input_shape=(160, 160, 3),
include_top=False,
weights="imagenet",
)
sample = tf.zeros((1, 160, 160, 3), dtype=tf.float32)
sample = tf.keras.applications.mobilenet_v2.preprocess_input(sample)
features = model(sample, training=False)
print("output_shape:", model.output_shape)
print("params:", model.count_params())
print("feature_shape:", features.shape)
print("feature_dtype:", features.dtype.name)预期输出(首次运行可能先出现权重下载进度;缓存命中时不会出现)
output_shape: (None, 5, 5, 1280)
params: 2257984
feature_shape: (1, 5, 5, 1280)
feature_dtype: float32feature_shape 的批次维从 None 变成了实际输入的 1,而空间尺寸从 160 缩到 5,通道数变为 1280。这说明你拿到的是卷积特征图,而不是 ImageNet 的 1000 类概率。
预处理函数必须和预训练权重配套
MobileNetV2 的 preprocess_input 会把通常位于 [0, 255] 的像素缩放到 [-1, 1]。如果你自己先除以 255 得到 [0, 1],再调用这个函数,就会把输入缩到错误范围,模型虽然能运行,特征分布却与预训练阶段不一致。
可直接执行下面的小检查确认范围:
import tensorflow as tf
pixels = tf.constant([0.0, 127.5, 255.0])
scaled = tf.keras.applications.mobilenet_v2.preprocess_input(pixels)
print(scaled.numpy())预期输出
[-1. 0. 1.]根据下游任务选择输出形式
当 include_top=False 且 pooling=None 时,160×160 输入得到 (5, 5, 1280) 特征图,适合继续接卷积层、检测头或分割结构。若设置 pooling="avg",模型会直接做全局平均池化,输出 (None, 1280),更适合后接一个简单的全连接分类器。
例如 5 类分类时,pooling="avg" 后接 Dense(5) 只新增 6405 个参数;如果保留 (5, 5, 1280) 后直接 Flatten 再接 Dense(5),仅这一层就需要 个参数。小数据集上,优先使用全局池化通常更省参数,也更容易控制过拟合。
加载失败时按固定顺序定位
先检查错误发生在“下载权重”还是“构建模型”。下载阶段失败通常与网络、代理或缓存权限有关;模型构建失败则优先检查 input_shape 是否为三通道,以及 include_top 与输入尺寸、分类器配置是否冲突。
如果模型能创建但结果异常,再检查三件事:输入是不是 RGB 顺序、像素范围是否符合对应 preprocess_input、训练和验证是否使用了完全相同的基础预处理。加载预训练模型只是第一步,输入契约不匹配往往比模型本身更容易造成隐蔽错误。