Keras - Model yang Terlatih

Dalam bab ini, kita akan belajar tentang model terlatih di Keras. Mari kita mulai dengan VGG16.

VGG16

VGG16adalah model terlatih lainnya. Itu juga dilatih menggunakan ImageNet. Sintaks untuk memuat model adalah sebagai berikut -

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

Ukuran masukan default untuk model ini adalah 224x224.

MobileNetV2

MobileNetV2adalah model terlatih lainnya. Itu juga terlatihImageNet.

Sintaks untuk memuat model adalah sebagai berikut -

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

Sini,

alphamengontrol lebar jaringan. Jika nilainya di bawah 1, mengurangi jumlah filter di setiap lapisan. Jika nilainya di atas 1, tambah jumlah filter di setiap lapisan. Jika alpha = 1, jumlah default filter dari kertas digunakan di setiap lapisan.

Ukuran masukan default untuk model ini adalah 224x224.

InceptionResNetV2

InceptionResNetV2adalah model terlatih lainnya. Itu juga dilatih menggunakanImageNet. Sintaks untuk memuat model adalah sebagai berikut -

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

Model ini dan dapat dibangun baik dengan format data 'channels_first' (saluran, tinggi, lebar) atau format data 'saluran_last' (tinggi, lebar, saluran).

Ukuran masukan default untuk model ini adalah 299x299.

InceptionV3

InceptionV3adalah model terlatih lainnya. Itu juga terlatihImageNet. Sintaks untuk memuat model adalah sebagai berikut -

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

Sini,

Ukuran masukan default untuk model ini adalah 299x299.

Kesimpulan

Keras sangat sederhana, dapat diperluas, dan mudah diimplementasikan API jaringan saraf, yang dapat digunakan untuk membangun aplikasi pembelajaran mendalam dengan abstraksi tingkat tinggi. Keras adalah pilihan optimal untuk model deep leaning.