《Python星球日记》 第55天：迁移学习与预训练模型

名人说：路漫漫其修远兮，吾将上下而求索。—— 屈原《离骚》
创作者：Code_流苏(CSDN)（一个喜欢古诗词和编程的Coder😊）

目录

• • 一、迁移学习基础
  • • 1. 什么是迁移学习？
    • 2. 迁移学习的优势
    • 3. 迁移学习的应用场景
  • 二、预训练模型详解
  • • 1. 预训练模型的基本概念
    • 2. 常用的预训练模型
    • • a) VGG系列
      • b) ResNet系列
      • c) EfficientNet系列
  • 三、冻结层与微调技巧
  • • 1. 模型迁移的两种主要策略
    • 2. 如何实现层冻结
    • 3. 微调的最佳实践
  • 四、超参数调优方法
  • • 1. 超参数调优的重要性
    • 2. 网格搜索（Grid Search）
    • 3. 随机搜索（Random Search）
    • 4. 早停法（Early Stopping）
  • 五、基于ResNet的图像分类实战
  • • 1. 项目概述与数据准备
    • 2. 构建迁移学习模型
    • 3. 分两阶段训练模型
    • 4. 评估模型并可视化结果
    • 5. 模型部署与应用
  • 六、总结与进阶方向
  • • 1. 知识回顾
    • 2. 进阶方向
    • 3. 实践建议

👋 专栏介绍： Python星球日记专栏介绍（持续更新ing）
✅ 上一篇： 《Python星球日记》 第54天：卷积神经网络进阶

欢迎来到Python星球的第55天！🪐

今天我们将探索深度学习中的一项重要技术——迁移学习，以及如何利用预训练模型来提升我们的模型性能。无论你是想节省训练时间，还是面临数据量不足的挑战，这些技术都将帮助你构建更强大的神经网络。

一、迁移学习基础

1. 什么是迁移学习？

迁移学习是一种机器学习方法，它允许我们将从一个任务中学到的知识应用到另一个相关任务中。简单来说，就是让模型"借鉴"已有经验来解决新问题，而不是从零开始学习。

想象一下：如果你已经会骑自行车，那么学习骑摩托车就会容易得多，因为你已经掌握了平衡和方向控制的基本技能。迁移学习在深度学习中的原理也是如此！

2. 迁移学习的优势

在深度学习世界中，迁移学习具有以下显著优势：

• 减少训练数据需求：当我们的目标任务数据有限时，迁移学习能够大幅降低对大规模标注数据的依赖
• 缩短训练时间：从预训练模型开始，通常能比从随机权重开始训练更快地收敛
• 提高模型性能：尤其在数据有限的情况下，迁移学习通常能获得更好的准确率和泛化能力
• 降低计算资源需求：不需要从头训练大型模型，节省GPU资源和电力消耗

3. 迁移学习的应用场景

迁移学习特别适用于以下场景：

• 目标任务的标注数据量不足
• 源任务和目标任务存在相关性
• 需要快速构建模型原型
• 计算资源有限

二、预训练模型详解

1. 预训练模型的基本概念

预训练模型是指在大规模数据集（如ImageNet，包含上百万张图片）上训练过的神经网络模型。这些模型已经学习了丰富的视觉特征和模式，可以被迁移到其他计算机视觉任务中。

预训练模型的底层卷积层通常捕获通用的特征（如边缘、纹理、简单形状），而高层则捕获更复杂、更特定于任务的特征。这种分层特征提取的能力是迁移学习能够成功的关键原因。

2. 常用的预训练模型

在计算机视觉领域，有几种广泛使用的预训练模型：

a) VGG系列

VGG16/VGG19是由牛津大学Visual Geometry Group开发的模型。

• 特点：结构简单、易于理解，使用3×3卷积堆叠而成
• 参数量：VGG16约有1.38亿参数，VGG19约有1.44亿参数
• 优缺点：结构规整清晰，但参数量大，推理速度相对较慢
• 适用场景：初学者学习CNN架构，较简单的图像分类任务

# 导入VGG16预训练模型
from tensorflow.keras.applications import VGG16# 加载不含顶层（全连接层）的VGG16模型
base_model = VGG16(weights='imagenet', include_top=False, input_shape=(224, 224, 3))

b) ResNet系列

ResNet（残差网络）由微软研究院提出，通过引入残差连接解决了深层网络训练困难的问题。

• 特点：引入跳跃连接（skip connection），允许信息直接从前层传到后层
• 变体：ResNet18、ResNet50、ResNet101、ResNet152等
• 优势：能够构建更深的网络而不导致梯度消失/爆炸问题
• 使用场景：复杂图像分类、目标检测、图像分割等

# 导入ResNet50预训练模型
from tensorflow.keras.applications import ResNet50# 加载预训练的ResNet50
base_model = ResNet50(weights='imagenet', include_top=False, input_shape=(224, 224, 3))

c) EfficientNet系列

EfficientNet由Google研究团队开发，通过复合缩放方法在准确率和效率之间取得优异平衡。

• 特点：同时缩放网络的宽度、深度和分辨率
• 变体：EfficientNetB0到EfficientNetB7（复杂度递增）
• 优势：参数量少但性能高，FLOPS效率极佳
• 适用场景：资源受限设备、需要高效推理的应用

# 导入EfficientNetB0预训练模型
from tensorflow.keras.applications import EfficientNetB0# 加载预训练的EfficientNetB0
base_model = EfficientNetB0(weights='imagenet', include_top=False, input_shape=(224, 224, 3))

预训练模型对比：

三、冻结层与微调技巧

1. 模型迁移的两种主要策略

在迁移学习中，我们主要有两种策略来利用预训练模型：特征提取和微调。

特征提取（Feature Extraction）：

在这种策略中，我们将预训练模型视为固定的特征提取器，只训练新添加的层。

• 我们冻结（freeze）预训练模型的所有层，使其权重在训练过程中不更新
• 然后添加自定义的分类层（通常是全连接层），只训练这些新添加的层
• 这种方法适用于新任务与预训练模型的原始任务非常相似的情况，或数据量非常小的情况

微调（Fine-tuning）：

在微调策略中，除了训练新添加的层外，我们还会更新预训练模型的部分层。

• 通常冻结预训练模型的前几层（捕获通用特征的层）
• 允许后面的层（捕获更特定任务特征的层）与新添加的分类层一起训练
• 这种方法适用于新任务与原始任务有一定差异，且有足够数据的情况

2. 如何实现层冻结

在TensorFlow/Keras中，冻结层非常简单：

# 冻结预训练模型的所有层
base_model = ResNet50(weights='imagenet', include_top=False)
base_model.trainable = False  # 整个模型不可训练# 或者选择性地冻结特定层
base_model = ResNet50(weights='imagenet', include_top=False)
# 冻结前面的层，只训练后面的层
for layer in base_model.layers[:-10]:  # 除了最后10层外都冻结layer.trainable = False

3. 微调的最佳实践

微调是一门既需要理论知识又需要经验的艺术，以下是一些最佳实践：

• 分阶段训练：先冻结预训练模型训练几个epoch，然后解冻部分层进行微调
• 较小的学习率：微调时使用比从头训练小10-100倍的学习率，避免破坏预训练权重
• 逐层解冻：从顶层开始逐渐解冻更多层，而不是一次性解冻所有层
• 数据增强：对训练数据应用增强技术，帮助模型更好泛化
• 早停法：使用早停法防止过拟合

四、超参数调优方法

1. 超参数调优的重要性

超参数是在模型训练开始前需要设置的参数，如学习率、批量大小、正则化强度等。在迁移学习中，合适的超参数设置对模型性能至关重要。

与模型权重不同，超参数不能通过梯度下降自动学习，需要我们手动调整或使用自动化方法寻找最佳值。优化超参数可以：

• 提高模型准确率
• 加速训练收敛
• 防止过拟合
• 提升模型泛化能力

2. 网格搜索（Grid Search）

网格搜索是一种穷举搜索方法，它会尝试超参数空间中所有可能的组合。

• 原理：为每个超参数定义一组离散值，然后尝试所有可能的组合
• 优点：简单、易于理解，一定能找到预定义空间中的最佳组合
• 缺点：计算成本高，参数数量增加时组合数量呈指数增长
• 适用场景：超参数较少，计算资源充足

from sklearn.model_selection import GridSearchCV
from tensorflow.keras.wrappers.scikit_learn import KerasClassifier
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten# 定义一个创建模型的函数
def create_model(learning_rate=0.001):model = Sequential([base_model,Flatten(),Dense(256, activation='relu'),Dense(num_classes, activation='softmax')])model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=learning_rate),loss='categorical_crossentropy',metrics=['accuracy'])return model# 创建包装的模型
model = KerasClassifier(build_fn=create_model, verbose=0)# 定义超参数网格
param_grid = {'learning_rate': [0.001, 0.01, 0.1],'batch_size': [32, 64, 128],'epochs': [10, 20]
}# 创建网格搜索
grid = GridSearchCV(estimator=model, param_grid=param_grid, cv=3)
grid_result = grid.fit(X_train, y_train)# 打印最佳结果
print(f"最佳准确率: {grid_result.best_score_:.4f}")
print(f"最佳参数: {grid_result.best_params_}")

3. 随机搜索（Random Search）

随机搜索不会尝试所有组合，而是随机采样超参数空间中的点。

• 原理：为每个超参数定义一个分布，然后随机采样
• 优点：比网格搜索更高效，通常能以更少的试验次数找到良好的超参数
• 缺点：不保证找到全局最优解
• 适用场景：超参数较多，计算资源有限

from sklearn.model_selection import RandomizedSearchCV
from scipy.stats import uniform, randint# 定义超参数分布
param_dist = {'learning_rate': uniform(0.0001, 0.1),  # 均匀分布'batch_size': randint(16, 256),         # 随机整数'epochs': randint(5, 30)
}# 创建随机搜索
random_search = RandomizedSearchCV(estimator=model, param_distributions=param_dist,n_iter=20,  # 尝试20次随机组合cv=3
)random_result = random_search.fit(X_train, y_train)print(f"最佳准确率: {random_result.best_score_:.4f}")
print(f"最佳参数: {random_result.best_params_}")

4. 早停法（Early Stopping）

早停法不是寻找最佳超参数的方法，而是一种防止过拟合的技术。它通过监控验证集性能，在性能开始下降时提前结束训练。

• 原理：在每个epoch后评估验证集性能，如果连续多个epoch没有改善，则停止训练
• 优点：自动确定合适的训练轮数，防止过拟合，节省计算资源
• 缺点：需要单独的验证集，可能过早停止导致欠拟合
• 实现方式：在Keras中使用EarlyStopping回调函数

from tensorflow.keras.callbacks import EarlyStopping# 定义早停回调
early_stopping = EarlyStopping(monitor='val_loss',       # 监控验证集损失patience=5,               # 容忍5个epoch没有改善min_delta=0.001,          # 最小改善阈值restore_best_weights=True # 恢复最佳权重
)# 在模型训练中使用
history = model.fit(train_generator,validation_data=validation_generator,epochs=100,  # 设置较大的epochs，让早停决定何时结束callbacks=[early_stopping]
)

五、基于ResNet的图像分类实战

1. 项目概述与数据准备

现在，让我们将所学的知识应用到实际项目中！我们将使用ResNet50预训练模型来解决一个图像分类任务。在本例中，我们将构建一个能识别5种不同花卉的分类器。

首先，我们需要准备数据和环境：

import tensorflow as tf
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.applications import ResNet50
from tensorflow.keras.layers import Dense, GlobalAveragePooling2D
from tensorflow.keras.models import Model
from tensorflow.keras.optimizers import Adam
from tensorflow.keras.callbacks import EarlyStopping, ModelCheckpoint# 设置随机种子，确保结果可复现
tf.random.set_seed(42)# 数据路径
train_dir = 'flowers/train'
valid_dir = 'flowers/validation'
test_dir = 'flowers/test'# 图像尺寸
img_height, img_width = 224, 224  # ResNet50要求的输入尺寸
batch_size = 32# 数据增强与预处理
train_datagen = ImageDataGenerator(rescale=1./255,               # 像素值缩放到0-1范围rotation_range=20,            # 随机旋转±20度width_shift_range=0.1,        # 水平平移±10%height_shift_range=0.1,       # 垂直平移±10%shear_range=0.1,              # 剪切变换zoom_range=0.1,               # 随机缩放±10%horizontal_flip=True,         # 随机水平翻转fill_mode='nearest'           # 填充模式
)# 验证集只进行缩放，不做增强
valid_datagen = ImageDataGenerator(rescale=1./255)
test_datagen = ImageDataGenerator(rescale=1./255)# 创建数据生成器
train_generator = train_datagen.flow_from_directory(train_dir,target_size=(img_height, img_width),batch_size=batch_size,class_mode='categorical'
)valid_generator = valid_datagen.flow_from_directory(valid_dir,target_size=(img_height, img_width),batch_size=batch_size,class_mode='categorical'
)test_generator = test_datagen.flow_from_directory(test_dir,target_size=(img_height, img_width),batch_size=batch_size,class_mode='categorical'
)# 获取类别数量
num_classes = train_generator.num_classes
print(f"分类任务目标: {num_classes}类花卉")

2. 构建迁移学习模型

接下来，我们创建一个基于ResNet50的迁移学习模型：

# 加载预训练的ResNet50模型，不包括顶层
base_model = ResNet50(weights='imagenet', include_top=False, input_shape=(img_height, img_width, 3))# 添加自定义的顶层
x = base_model.output
x = GlobalAveragePooling2D()(x)  # 全局平均池化降维
x = Dense(256, activation='relu')(x)  # 全连接层
predictions = Dense(num_classes, activation='softmax')(x)  # 输出层# 创建最终模型
model = Model(inputs=base_model.input, outputs=predictions)# 冻结ResNet50所有层
for layer in base_model.layers:layer.trainable = False# 打印模型结构
model.summary()

3. 分两阶段训练模型

我们采用两阶段训练策略：先训练新添加的层，然后进行微调。

# 阶段1: 训练新添加的层
model.compile(optimizer=Adam(learning_rate=0.001),loss='categorical_crossentropy',metrics=['accuracy']
)# 设置回调函数
callbacks = [EarlyStopping(monitor='val_accuracy', patience=5, restore_best_weights=True),ModelCheckpoint('best_model_stage1.h5', monitor='val_accuracy',save_best_only=True)
]# 开始训练
print("阶段1: 训练新添加的层...")
history_stage1 = model.fit(train_generator,steps_per_epoch=train_generator.samples // batch_size,validation_data=valid_generator,validation_steps=valid_generator.samples // batch_size,epochs=20,callbacks=callbacks
)# 阶段2: 微调 - 解冻部分ResNet50层
print("阶段2: 微调部分预训练层...")# 解冻ResNet50的最后15层
for layer in model.layers[0].layers[-15:]:layer.trainable = True# 使用更小的学习率重新编译模型
model.compile(optimizer=Adam(learning_rate=0.0001),  # 学习率降低10倍loss='categorical_crossentropy',metrics=['accuracy']
)# 更新回调函数
callbacks = [EarlyStopping(monitor='val_accuracy', patience=7, restore_best_weights=True),ModelCheckpoint('best_model_stage2.h5', monitor='val_accuracy',save_best_only=True)
]# 进一步训练
history_stage2 = model.fit(train_generator,steps_per_epoch=train_generator.samples // batch_size,validation_data=valid_generator,validation_steps=valid_generator.samples // batch_size,epochs=30,callbacks=callbacks
)

4. 评估模型并可视化结果

最后，我们评估模型性能并可视化训练过程：

# 在测试集上评估模型
test_loss, test_acc = model.evaluate(test_generator)
print(f'测试集准确率: {test_acc:.4f}')# 可视化训练过程
import matplotlib.pyplot as plt# 绘制准确率曲线
plt.figure(figsize=(12, 4))# 阶段1的曲线
plt.subplot(1, 2, 1)
plt.plot(history_stage1.history['accuracy'], label='训练准确率(阶段1)')
plt.plot(history_stage1.history['val_accuracy'], label='验证准确率(阶段1)')
# 阶段2的曲线
epochs_stage1 = len(history_stage1.history['accuracy'])
plt.plot(range(epochs_stage1, epochs_stage1 + len(history_stage2.history['accuracy'])),history_stage2.history['accuracy'],label='训练准确率(阶段2)'
)
plt.plot(range(epochs_stage1, epochs_stage1 + len(history_stage2.history['val_accuracy'])),history_stage2.history['val_accuracy'],label='验证准确率(阶段2)'
)plt.title('模型准确率')
plt.xlabel('Epoch')
plt.ylabel('准确率')
plt.legend()# 绘制损失曲线
plt.subplot(1, 2, 2)
plt.plot(history_stage1.history['loss'], label='训练损失(阶段1)')
plt.plot(history_stage1.history['val_loss'], label='验证损失(阶段1)')
# 阶段2的曲线
plt.plot(range(epochs_stage1, epochs_stage1 + len(history_stage2.history['loss'])),history_stage2.history['loss'],label='训练损失(阶段2)'
)
plt.plot(range(epochs_stage1, epochs_stage1 + len(history_stage2.history['val_loss'])),history_stage2.history['val_loss'],label='验证损失(阶段2)'
)plt.title('模型损失')
plt.xlabel('Epoch')
plt.ylabel('损失')
plt.legend()plt.tight_layout()
plt.show()# 可视化预测结果
import numpy as np
from tensorflow.keras.preprocessing.image import load_img, img_to_array# 获取类别名称
class_names = list(train_generator.class_indices.keys())# 随机选择测试图像
import os
import randomdef predict_and_visualize(image_path):# 加载并预处理图像img = load_img(image_path, target_size=(img_height, img_width))img_array = img_to_array(img) / 255.0img_array = np.expand_dims(img_array, axis=0)# 预测predictions = model.predict(img_array)predicted_class = np.argmax(predictions[0])confidence = predictions[0][predicted_class]# 显示结果plt.figure(figsize=(6, 6))plt.imshow(img)plt.title(f'预测: {class_names[predicted_class]} ({confidence:.2f})')plt.axis('off')plt.show()# 打印所有类别的置信度for i, class_name in enumerate(class_names):print(f"{class_name}: {predictions[0][i]:.4f}")# 随机选择几张测试图像进行预测
test_images = []
for class_dir in os.listdir(test_dir):class_path = os.path.join(test_dir, class_dir)if os.path.isdir(class_path):images = os.listdir(class_path)if images:random_image = random.choice(images)test_images.append(os.path.join(class_path, random_image))# 展示3张随机图像的预测结果
for img_path in test_images[:3]:predict_and_visualize(img_path)

5. 模型部署与应用

将训练好的模型保存为TensorFlow SavedModel格式，便于部署：

# 保存整个模型
model.save('flower_classifier_resnet50.h5')# 转换为TensorFlow Lite格式（适用于移动设备）
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()# 保存TFLite模型
with open('flower_classifier_resnet50.tflite', 'wb') as f:f.write(tflite_model)print("模型已保存为标准格式和TFLite格式，可用于部署!")

恭喜你！你已经成功构建了一个使用迁移学习的图像分类模型。这种技术不仅能在小数据集上获得良好性能，还大大减少了训练时间和计算资源需求。

六、总结与进阶方向

1. 知识回顾

在本文中，我们学习了：

• 迁移学习的基本概念与优势
• 常用预训练模型的特点与适用场景
• 冻结层与微调的策略和最佳实践
• 三种超参数调优方法（网格搜索、随机搜索、早停法）
• 如何使用ResNet50构建实际的图像分类应用

2. 进阶方向

如果你希望进一步探索迁移学习和预训练模型，可以考虑以下方向：

1. 更多预训练模型探索：尝试MobileNet（适用于移动设备）、DenseNet（密集连接）等架构
2. 领域适应（Domain Adaptation）：解决源域和目标域分布不同的问题
3. 知识蒸馏（Knowledge Distillation）：将大型预训练模型的知识迁移到小型模型
4. 跨模态迁移学习：如图像到文本、文本到图像的知识迁移
5. 多任务迁移学习：同时学习多个相关任务

3. 实践建议

• 从简单开始：先使用特征提取，再尝试微调
• 数据质量很重要：即使是迁移学习，高质量的数据集仍然是成功的关键
• 充分实验：尝试不同的预训练模型、不同的冻结策略、不同的超参数
• 关注新动态：深度学习领域发展迅速，新的预训练模型和迁移学习技术不断涌现

通过掌握迁移学习和预训练模型，你可以以更少的数据和计算资源构建强大的深度学习应用。这些技术不仅在学术研究中广泛应用，也在工业界产品开发中扮演着重要角色。

---

📌 今日学习打卡

学习了迁移学习与预训练模型的基本概念

掌握了模型冻结与微调的最佳实践

了解了超参数调优的三种方法

实现了基于ResNet的图像分类案例

明天我们将进入循环神经网络的学习！

---

祝你学习愉快，Python星球的探索者！👨‍🚀🌠

创作者：Code_流苏(CSDN)（一个喜欢古诗词和编程的Coder😊）
如果你对今天的内容有任何问题，或者想分享你的学习心得，欢迎在评论区留言讨论！