keras：畳み込みレイヤーの重みをブロックする方法

「個々のレイヤーの変更をブロックする」ことにより、これらのレイヤーをトレーニングしたくない、つまり、ロードされた重みを変更したくないと想定しています（以前のトレーニングで学習した可能性があります）。

その場合trainable=False、レイヤーに渡すことができ、パラメーターはトレーニング更新ルールに使用されません。

例：

from keras.models import Sequential
from keras.layers import Dense, Activation

model = Sequential([
    Dense(32, input_dim=100),
    Dense(output_dim=10),
    Activation('sigmoid'),
])

model.summary()

model2 = Sequential([
    Dense(32, input_dim=100,trainable=False),
    Dense(output_dim=10),
    Activation('sigmoid'),
])

model2.summary()

2番目のモデルのモデルの概要で、パラメーターが訓練不可能なものとしてカウントされていることがわかります。

____________________________________________________________________________________________________
Layer (type)                     Output Shape          Param #     Connected to                     
====================================================================================================
dense_1 (Dense)                  (None, 32)            3232        dense_input_1[0][0]              
____________________________________________________________________________________________________
dense_2 (Dense)                  (None, 10)            330         dense_1[0][0]                    
____________________________________________________________________________________________________
activation_1 (Activation)        (None, 10)            0           dense_2[0][0]                    
====================================================================================================
Total params: 3,562
Trainable params: 3,562
Non-trainable params: 0
____________________________________________________________________________________________________
____________________________________________________________________________________________________
Layer (type)                     Output Shape          Param #     Connected to                     
====================================================================================================
dense_3 (Dense)                  (None, 32)            3232        dense_input_2[0][0]              
____________________________________________________________________________________________________
dense_4 (Dense)                  (None, 10)            330         dense_3[0][0]                    
____________________________________________________________________________________________________
activation_2 (Activation)        (None, 10)            0           dense_4[0][0]                    
====================================================================================================
Total params: 3,562
Trainable params: 330
Non-trainable params: 3,232