迁移学习特征提取网络共享特征的代码

迁移学习是一种深度学习技术，其中预训练模型的特征提取部分被保留并用于新任务的模型初始化。在Python中，特别是在使用Keras或PyTorch这样的库时，可以这样做：

# 使用Keras示例（假设我们有VGG16模型）
from keras.applications.vgg16 import VGG16, preprocess_input
from keras.layers import Flatten, Dense

# 加载预训练的VGG16模型（不包含顶部全连接层）
base_model = VGG16(weights='imagenet', include_top=False, input_shape=(224, 224, 3))

# 将所有卷积层设置为不可训练
for layer in base_model.layers:
    layer.trainable = False

# 添加新的自定义全连接层（例如，512个节点）
x = base_model.output
x = Flatten()(x)
x = Dense(512, activation='relu')(x)

# 创建完整的模型，包括预训练特征提取和新添加的分类层
model = Model(inputs=base_model.input, outputs=x)

# 如果需要微调，可以对顶部的一些层进行训练
# model.layers[-n:].trainable = True # 其中n是你想要调整的层数

# 编译模型（记得设定适当的损失函数、优化器和评估指标）
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

# 进行特征提取和训练

这里的`Flatten`层将卷积后的二维张量展平成一维向量，`Dense`层则是添加新的全连接层。在实际应用中，你需要替换输入形状和自定义的全连接结构。