如何在PyTorch中用MobileNet V2迁移学习实现二分类并冻结层？

一、冻结MobileNet V2网络层 #

MobileNet V2的预训练权重基于ImageNet数据集训练，迁移学习时通常先冻结其特征提取部分（backbone），仅训练后续自定义分类层，操作如下：

• 加载预训练模型并排除原顶层分类器：

  from tensorflow.keras.applications import MobileNetV2
  base_model = MobileNetV2(input_shape=(224, 224, 3),
                           include_top=False,
                           weights='imagenet')
  

• 全局冻结backbone：设置trainable=False后，训练过程中backbone参数不会更新，适合数据集较小的场景：

  base_model.trainable = False
  

• 选择性解冻微调（可选）：若数据集充足，可解冻backbone最后几层做精细化训练，进一步提升精度：

  base_model.trainable = True
  # 冻结前100层，仅训练后续层（层数可按需调整）
  for layer in base_model.layers[:100]:
      layer.trainable = False
  

二、配置二分类输出模块 #

在冻结的backbone后搭建自定义分类头，针对0/1二分类场景，最后一层使用sigmoid激活函数，输出维度设为1：

from tensorflow.keras import layers, models

# 对backbone输出的特征图做全局平均池化，转为一维特征向量
x = base_model.output
x = layers.GlobalAveragePooling2D()(x)
# 可选：添加全连接层增强模型拟合能力
x = layers.Dense(128, activation='relu')(x)
# 二分类输出层
predictions = layers.Dense(1, activation='sigmoid')(x)

# 组装完整模型
model = models.Model(inputs=base_model.input, outputs=predictions)

三、模型编译与训练 #

编译时选择适配二分类的损失函数和优化器：

model.compile(optimizer='adam',
              loss='binary_crossentropy',
              metrics=['accuracy'])

• 数据预处理注意：必须使用MobileNet V2对应的预处理函数，保证输入数据分布与预训练阶段一致：

  from tensorflow.keras.applications.mobilenet_v2 import preprocess_input
  # 预处理图像时替换为该函数，例如：
  # img = preprocess_input(img)
  

内容的提问来源于stack exchange，提问作者anushka agarwal