### 如何加载和使用预训练的 Keras 模型 在 Keras 中，可以直接利用 `keras.applications` 模块中的多种预训练模型来进行迁移学习或直接应用。以下是关于如何加载和使用这些预训练模型的具体方法： #### 加载预训练模型 可以通过指定 `weights` 参数为 `'imagenet'` 来加载由 ImageNet 数据集训练好的权重[^1]。如果需要自定义输入形状，则可以设置 `input_shape` 和 `include_top=False` 参数以移除顶层分类器。 ```python from keras.applications import VGG16 base_model = VGG16(weights='imagenet', include_top=False, input_shape=(150, 150, 3)) ``` 此代码片段展示了如何加载不包含顶层分类器的 VGG16 模型，并将其配置为接受大小为 `(150, 150)` 的 RGB 图像作为输入[^1]。 #### 构建新的模型结构 为了适配特定的任务需求，在加载的基础模型之后通常会附加一些额外的层。例如，添加一个展平层 (`Flatten`) 及若干全连接层 (`Dense`) 是常见的做法之一。 ```python from keras import models from keras import layers model = models.Sequential() model.add(base_model) model.add(layers.Flatten()) model.add(layers.Dense(256, activation='relu')) model.add(layers.Dense(1, activation='sigmoid')) ``` 这里构建了一个简单的二分类模型，其中最后一层采用了 Sigmoid 激活函数[^1]。 #### 冻结基础模型的权重 为了避免破坏已有的特征提取能力，在微调阶段之前应先冻结基础模型的所有层。 ```python for layer in base_model.layers: layer.trainable = False ``` 这段脚本遍历了基础模型的所有层并将它们设为不可训练状态，从而确保其原始权重不会被更新[^1]。 #### 编译并准备训练过程 完成上述步骤后即可编译整个模型，并为其设定合适的损失函数、优化算法以及评价标准。 ```python model.compile(loss='binary_crossentropy', optimizer='rmsprop', metrics=['accuracy']) ``` 以上命令设置了适用于二元分类问题的标准配置[^1]。 #### 使用本地存储的权重文件 除了在线下载官方提供的预训练权重外，还可以从本地路径读取 `.h5` 格式的权重文件。这尤其适合那些希望离线操作或者调整过架构后再保存下来的模型实例。 ```python res = ResNet50(weights=res_path, include_top=False) ``` 此处展示的是基于本地文件加载不含顶部分类器的 ResNet50 模型的方式[^4]。 另外，对于某些特殊场景下可能还需要按照名称匹配的方式来部分恢复权重数据，这时可借助于如下语句实现: ```python model.load_weights('my_model_weights.h5', by_name=True) ``` 它允许即使目标网络与源网络存在差异也能成功导入共享相同命名规则的部分参数值[^2]。 --- ###