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 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 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 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 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
。
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。
更多建議: