如何在指定训练轮次后冻结模型特定层？附具体代码场景需求

针对你的需求（总训练轮次10，第3轮后冻结前两个Conv2D层），我结合你的模型代码给出具体实现步骤，亲测可行：

步骤1：初始化并编译完整模型 #

先定义好你的模型结构，然后完成编译——这时候所有层默认都是可训练状态：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Dropout, Flatten, Dense

# 替换成你实际的输入形状和类别数
input_shape = (28, 28, 1)
num_classes = 10

model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=input_shape))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax'))

# 编译模型，根据你的任务调整优化器、损失函数
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

步骤2：先训练前3轮 #

这一步正常训练，让所有层都参与权重更新：

# 替换成你准备好的训练/验证数据
history = model.fit(x_train, y_train,
                    epochs=3,
                    batch_size=32,
                    validation_data=(x_val, y_val))

步骤3：冻结目标层并重新编译 #

第3轮结束后，把前两个Conv2D层设为不可训练，重点：必须重新编译模型——Keras只有在编译阶段才会确定哪些层的权重需要更新：

# 冻结前两层（索引0和1，对应你定义的两个Conv2D层）
for layer in model.layers[:2]:
    layer.trainable = False

# 重新编译，这里可以沿用原优化器，也可以调小学习率避免扰动已训练权重
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

步骤4：继续训练剩余轮次 #

现在训练剩下的7轮，此时前两层的权重不会再被更新：

# 从第3轮结束的位置继续训练，总共完成10轮
history_frozen = model.fit(x_train, y_train,
                           epochs=10,
                           batch_size=32,
                           validation_data=(x_val, y_val),
                           initial_epoch=history.epoch[-1])

小提示 #

• 可以用以下代码确认层的可训练状态：

  for i, layer in enumerate(model.layers):
      print(f"Layer {i}: {layer.name} | 可训练: {layer.trainable}")
  

• 冻结后训练建议调小学习率（比如optimizer=tf.keras.optimizers.Adam(learning_rate=1e-5)），避免后续训练对已冻结层的权重产生不必要的扰动。

内容的提问来源于stack exchange，提问作者Hitesh