Передача обучения или точная настройка ⇐ Python

[Anonymous]

Я пытаюсь понять концепцию трансферного обучения для набора данных Stanford cars196. В Kaggle я вижу много подобного кода. Мой вопрос заключается в том, какой метод здесь используется, потому что, если я правильно понял его для трансферного обучения, вы сначала создаете base_model, обучаете ее, а затем создаете модель точной настройки и после этого запускаете ее. Однако здесь используется только один вариант, и он не похож на учебники из Keras или TensorFlow, так что, может быть, это всего лишь экстрактор функций?
def fine_tune_densenet169(dropout, num_classes, fine_tune_at):
base_model = tf.keras.applications.DenseNet169(input_shape=(224, 224, 3),
include_top=False,
weights='imagenet')

x = base_model.output
x = tf.keras.layers.GlobalAveragePooling2D()(x)
x = Dropout(dropout)(x)
prediction_layer = tf.keras.layers.Dense(num_classes, activation='softmax')(x)
model=Model(inputs=base_model.input,outputs=prediction_layer)

# unfreez base model
#x = base_model.trainable = True
# Let's take a look to see how many layers are in the base model
print("Number of layers in the base model: ", len(base_model.layers))
learning_rate = 0.0001

# Fine-tune from this layer onwards
for layer in model.layers[:fine_tune_at]:
layer.trainable=False
for layer in model.layers[fine_tune_at:]:
layer.trainable=True

return model


Подробнее здесь: https://stackoverflow.com/questions/702 ... ine-tuning