Keras 預(yù)訓(xùn)練模型

在本章中，我們將了解 Keras 中的預(yù)訓(xùn)練模型。讓我們從 VGG16 開始。

VGG16

VGG16 是另一個(gè)預(yù)訓(xùn)練模型。它還使用 ImageNet 進(jìn)行訓(xùn)練。加載模型的語法如下：

keras.applications.vgg16.VGG16(
   include_top = True,
   weights = 'imagenet',
   input_tensor = None,
   input_shape = None,
   pooling = None,
   classes = 1000
)

此模型的默認(rèn)輸入大小為 224x224。

MobileNetV2

MobileNetV2 是另一個(gè)預(yù)訓(xùn)練模型。它也是使用ImageNet 進(jìn)行訓(xùn)練。 加載模型的語法如下:

keras.applications.mobilenet_v2.MobileNetV2 (
   input_shape = None, 
   alpha = 1.0, 
   include_top = True, 
   weights = 'imagenet', 
   input_tensor = None, 
   pooling = None, 
   classes = 1000
)

alpha控制網(wǎng)絡(luò)的寬度。如果該值低于 1，則減少每層中的過濾器數(shù)量。如果該值大于 1，則增加每層中的過濾器數(shù)量。如果 alpha = 1，則在每一層使用紙張的默認(rèn)過濾器數(shù)量。

此模型的默認(rèn)輸入大小為224x224。

InceptionResNetV2

InceptionResNetV2 是另一個(gè)預(yù)訓(xùn)練模型。它也是使用ImageNet 進(jìn)行訓(xùn)練。加載模型的語法如下:

keras.applications.inception_resnet_v2.InceptionResNetV2 (
   include_top = True, 
   weights = 'imagenet',
   input_tensor = None, 
   input_shape = None, 
   pooling = None, 
   classes = 1000)

此模型可以使用“channels_first”數(shù)據(jù)格式（通道、高度、寬度）或“channels_last”數(shù)據(jù)格式（高度、寬度、通道）構(gòu)建。

此模型的默認(rèn)輸入大小為299x299。

InceptionV3

InceptionV3 是另一個(gè)預(yù)訓(xùn)練模型。它也是使用ImageNet 進(jìn)行訓(xùn)練。加載模型的語法如下：

keras.applications.inception_v3.InceptionV3 (
   include_top = True, 
   weights = 'imagenet', 
   input_tensor = None, 
   input_shape = None, 
   pooling = None, 
   classes = 1000
)

此模型的默認(rèn)輸入大小為299x299。

結(jié)論

Keras 非常簡單、可擴(kuò)展且易于實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò) API，可用于構(gòu)建具有高級抽象的深度學(xué)習(xí)應(yīng)用程序。Keras 是深度學(xué)習(xí)模型的最佳選擇。