您可以简单地为图层属性trainable指定一个布尔值。

model.layers[n].trainable = False

字符串
您可以可视化哪个层是可训练的：

for l in model.layers:
    print(l.name, l.trainable)

型
你也可以通过模型定义传递它：

frozen_layer = Dense(32, trainable=False)

型
关于Keras documentation：
“冻结”层意味着将其从训练中排除，即其权重永远不会更新。这在微调模型或对文本输入使用固定嵌入的情况下很有用。
您可以将一个可训练参数（boolean）传递给层构造函数，以将层设置为不可训练。此外，您可以在示例化后将层的可训练属性设置为True或False。要使其生效，您需要在修改可训练属性后在模型上调用compile（）。

在单词“trainble”中有一个错别字（缺少一个“a”）。Saddly keras没有警告我模型没有属性“trainble”。这个问题可以关闭。

尽管原来的问题的解决方案是一个错字修复，让我添加一些关于keras trainables的信息。
Modern Keras包含以下工具来查看和操作可训练状态：

• tf.keras.Layer._get_trainable_state()函数-打印字典，其中键是模型组件，值是布尔值。注意tf.keras.Model也是tf.Keras.Layer。
• tf.keras.Layer.trainable属性-操作各个层的可训练状态。

典型的操作如下：

# Print current trainable map:
print(model._get_trainable_state())
# Set every layer to be non-trainable:
for k,v in model._get_trainable_state().items():
    k.trainable = False
# Don't forget to re-compile the model
model.compile(...)

字符串

更改代码中的最后3行：

last_few_layers = 20 #number of the last few layers to freeze
self.domain_regressor = Model(img_inputs, domain_label)
for layer in model.layers[:-last_few_layers]:
    layer.trainable = False
self.domain_regressor.compile(optimizer = opt, loss='binary_crossentropy', metrics=['accuracy'])

字符串

我知道使用trainable = False，我可以冻结层的所有权重。但我想为组件工作。（kernel，recursive_kernel和bias）。我想冻结特定层的kernel和recursive_kernel，使其成为trainable = False和trainable = True。我该如何做？我尝试了下面的代码，但得到了一个错误。有人能建议我如何使用标准Keras使kernel和recursive_kernel trainable = False吗？

# transfer model layer
lstm_layer = modelTL.layers[0]  
# kernel non-trainable
lstm_layer.cell.kernel.trainable = False

字符串
错误代码：
lstm_layer.cell.kernel.trainable = False AttributeError：无法设置属性