Keras - wstępnie wytrenowane modele

W tym rozdziale dowiemy się o wstępnie wytrenowanych modelach w Keras. Zacznijmy od VGG16.

VGG16

VGG16to kolejny wstępnie wytrenowany model. Jest również szkolony za pomocą ImageNet. Składnia do załadowania modelu jest następująca -

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

Domyślny rozmiar wejściowy dla tego modelu to 224x224.

MobileNetV2

MobileNetV2to kolejny wstępnie wytrenowany model. Jest również szkolonyImageNet.

Składnia do załadowania modelu jest następująca -

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

Tutaj,

alphakontroluje szerokość sieci. Jeśli wartość jest mniejsza niż 1, zmniejsza liczbę filtrów w każdej warstwie. Jeśli wartość jest większa niż 1, zwiększa liczbę filtrów w każdej warstwie. Jeśli alfa = 1, domyślna liczba filtrów z papieru jest używana na każdej warstwie.

Domyślny rozmiar wejściowy dla tego modelu to 224x224.

InceptionResNetV2

InceptionResNetV2to kolejny wstępnie wytrenowany model. Jest również przeszkolony przy użyciuImageNet. Składnia do załadowania modelu jest następująca -

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

Ten model i może być zbudowany zarówno z formatem danych „channel_first” (kanały, wysokość, szerokość), jak i formatem danych „channel_last” (wysokość, szerokość, kanały).

Domyślny rozmiar wejściowy dla tego modelu to 299x299.

InceptionV3

InceptionV3to kolejny wstępnie wytrenowany model. Jest również szkolonyImageNet. Składnia do załadowania modelu jest następująca -

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

Tutaj,

Domyślny rozmiar wejściowy dla tego modelu to 299x299.

Wniosek

Keras to bardzo prosty, rozszerzalny i łatwy do zaimplementowania interfejs API sieci neuronowej, który może być używany do tworzenia aplikacji do głębokiego uczenia z abstrakcją wysokiego poziomu. Keras to optymalny wybór dla głęboko pochylonych modeli.