如何在不替换整个层的情况下修改Keras模型最后一层的激活函数

嘿，我来帮你搞定这个需求！你想在不替换整个最后一层的前提下，把原本的softmax激活函数换成别的，其实操作很简单，直接修改层的属性再重新编译模型就行，具体步骤如下：

• 第一步：加载模型并定位最后一层
  先把你的模型加载进来，然后通过model.layers[-1]获取最后一层：

  import keras.backend as K
  from keras.models import load_model
  from keras.preprocessing.image import load_img, img_to_array
  import numpy as np
  
  model = load_model(model_path)  # 加载你的模型
  last_layer = model.layers[-1]   # 获取最后一层
  

• 第二步：修改激活函数
  直接给最后一层的activation属性赋值你想要的激活函数就行，比如换成sigmoid（你可以根据需求换成relu、tanh等）：

  # 替换成你需要的激活函数，这里以sigmoid为例
  last_layer.activation = K.sigmoid
  

• 第三步：重新编译模型
  这一步很关键！修改层属性后必须重新编译模型，才能让新的激活函数生效。你可以沿用模型原来的优化器、损失函数和评估指标：

  # 沿用原模型的编译参数
  model.compile(optimizer=model.optimizer,
                loss=model.loss,
                metrics=model.metrics)
  

  要是你不确定原参数，也可以直接指定新的，比如：

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

• 第四步：测试修改后的模型
  接下来就可以用你原来的预测代码测试效果啦，注意如果模型需要批量输入，记得给图片扩展维度：

  img = load_img(img_path, target_size=(224, 224))
  img = img_to_array(img)
  img = np.expand_dims(img, axis=0)  # 扩展成批量维度
  print(model.predict(img))
  

小提醒：如果你的最后一层是自定义层，可能需要额外调整，但大部分预训练模型的全连接层都可以用这个方法直接修改哦！

内容的提问来源于stack exchange，提问作者Hardian Lawi