深度学习模型的问题。

1、我们在训练一个网络前后，网络模型不变，只是参数改变了，那网络所占内存大小是不是应该也不变啊？也就是说同一个网络结构，不管怎么训练，其大小都是一样的？

2、还有就是比如 teachable machine，输入几张图像去训练，效果也还可以，我下载他们的模型大小是2.34MB，是不是说明他们用的是一个较小的模型？那是不是就是说弄一个小一点的模型，然后预训练，再用用户输入的图像去微调那？还是说也可以用一个大的训练好的模型，固定前面的参数，微调后面几层的参数那？

3、可不可以根据下载下来的模型得到网络结构那？我通过 h5py 得到了一些数据，那怎么读那？

只要模型结构不变，那么模型大小是一样的，只不过模型里面的超参会不一样，超参会随着数据和训练次数等因素变化。

一般来说，同种类型的网络(像yolo5，有s,l,m,x四个大小的)，网络越大的效果会越好，但是带来的问题就是精度会下降。所以一般预训练的模型大小就是你训练后的模型大小。迁移学习的话两种都可以的，看你对网络大小和深度是否有需求。

你想要网络结构的话，有个神器（https://netron.app/），用这个东西加载，如果这个打不开的话，试试（https://github.com/lutzroeder/netron），可以直观的看到网络结构，包括网络连接和走向，参数类型等。我看你图片里面的模型是keras的，那可以用keras来加载模型预测。

import tensorflow as tf
model=tf.keras.models.load_model('model.h5')

变什么参数，改变模型结构的参数大小也会变化，改变超参大小不会变，会有细微改变，数字变了有小差别。

二者都可

正则化匹配