2.3.2　使用ResNet作为特征提取层建立模型

下面使用ResNet作为特征提取层建立一个特定的目标分类器，这里简单地进行二分类的分类，代码及其讲解如下：

【程序2-13】

一般来说，预训练的特征提取器是放在自定义的模型第一层，主要用作对数据集的特征进行提取，之后的全局池化层是对数据维度进行压缩，将4维的数据特征重新定义成2维，从而将特征从[batch_size,7,7,2048]降维到[batch_size,2048]，读者可以自行打印查看。

drop_out_layer是屏蔽掉某些层用作防止过拟合的层，而fc_layer是用作对特定目标的分类层，这里通过设置unit参数为2定义分类为2个类。

最后一步是对定义的各个层进行组合，

    binary_classes = tf.keras.Sequential([resnet_layer,flatten_layer,
drop_out_layr,fc_layer])

Sequential函数将各个层组合成一个完整的模型，打印的模型结构如图2.19所示。

可以看到经过预训练的ResNet50被作为一个自定义的特征层去使用，因此在打印结果上ResNet50是一个整体，而其他相关层依次排列在模型后方。这里仅仅将ResNet50当成一个自定义的层来使用，因此这里依次显示了各个层的名称和参数，最下方是模型参数的总数。

下面还有一个问题是关于参数的，这里可以看到，基本上所有的参数都是可训练的，也就是在模型的训练过程中所有的参数都参与了计算和更新。对于某些任务来说，预训练模型的参数是不需要进行更新的，因此可以对ResNet50模型进行设置，代码如下：

【程序2-14】

相对于上一个代码段，这里额外设置了resnet_layer.trainable = False，显式地标注了resnet为不可训练的层，因此resnet的参数在模型中不参与训练。

这里有一个小技巧：通过模型的大概描述可以比较参数训练的多少，显示结果如图2.20所示。

从图2.20可以看到，这里Non-trainable的参数占了大部分，也就是ResNet模型参数不参与训练。读者可以自行比较。

其他模型的调用请有兴趣的读者自行完成。