在Keras中使用預訓練模型有兩種常見的方法：遷移學習和模型微調。

1. 遷移學習： 遷移學習是指使用預訓練模型的特征提取器來提取新數據集的特征，并將這些特征輸入到自定義的分類器中進行訓練。在Keras中，可以通過加載預訓練模型的權重并凍結其所有層來實現遷移學習。下面是一個示例代碼：

from keras.applications import ResNet50
from keras.preprocessing import image
from keras.applications.resnet50 import preprocess_input
from keras.models import Model
from keras.layers import Dense, GlobalAveragePooling2D

# 加載ResNet50預訓練模型
base_model = ResNet50(weights='imagenet', include_top=False)

# 添加自定義的分類層
x = base_model.output
x = GlobalAveragePooling2D()(x)
x = Dense(1024, activation='relu')(x)
predictions = Dense(num_classes, activation='softmax')(x)

model = Model(inputs=base_model.input, outputs=predictions)

# 凍結預訓練模型的所有層
for layer in base_model.layers:
    layer.trainable = False

# 編譯模型并訓練
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
model.fit_generator(...)

2. 模型微調： 模型微調是指解凍預訓練模型的一部分層，并重新訓練這些層以適應新數據集。在Keras中，可以通過解凍預訓練模型的部分層來實現模型微調。下面是一個示例代碼：

# 解凍預訓練模型的部分層
for layer in model.layers[:100]:
    layer.trainable = False
for layer in model.layers[100:]:
    layer.trainable = True

# 編譯模型并繼續訓練
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
model.fit_generator(...)

通過這兩種方法，您可以靈活地使用預訓練模型，并根據自己的需求進行遷移學習或模型微調。