Keras - โมเดลก่อนการฝึกอบรม

ในบทนี้เราจะเรียนรู้เกี่ยวกับโมเดลที่ได้รับการฝึกฝนมาแล้วใน Keras เริ่มต้นด้วย VGG16

VGG16

VGG16เป็นอีกรูปแบบหนึ่งที่ได้รับการฝึกฝนมาแล้ว นอกจากนี้ยังได้รับการฝึกฝนโดยใช้ ImageNet ไวยากรณ์ในการโหลดโมเดลมีดังนี้ -

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

ขนาดอินพุตเริ่มต้นสำหรับรุ่นนี้คือ 224x224

MobileNetV2

MobileNetV2เป็นอีกรูปแบบหนึ่งที่ได้รับการฝึกฝนมาแล้ว นอกจากนี้ยังได้รับการฝึกฝน uingImageNet.

ไวยากรณ์ในการโหลดโมเดลมีดังนี้ -

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

ที่นี่

alphaควบคุมความกว้างของเครือข่าย หากค่าต่ำกว่า 1 ให้ลดจำนวนตัวกรองในแต่ละเลเยอร์ หากค่าสูงกว่า 1 ให้เพิ่มจำนวนตัวกรองในแต่ละเลเยอร์ ถ้า alpha = 1 จำนวนเริ่มต้นของตัวกรองจากกระดาษจะถูกใช้ในแต่ละชั้น

ขนาดอินพุตเริ่มต้นสำหรับรุ่นนี้คือ 224x224.

InceptionResNetV2

InceptionResNetV2เป็นอีกรูปแบบหนึ่งที่ได้รับการฝึกฝนมาแล้ว นอกจากนี้ยังได้รับการฝึกฝนโดยใช้ImageNet. ไวยากรณ์ในการโหลดโมเดลมีดังนี้ -

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

โมเดลนี้และสามารถสร้างได้ทั้งด้วยรูปแบบข้อมูล 'channels_first' (ช่องสัญญาณความสูงความกว้าง) หรือรูปแบบข้อมูล 'channels_last' (ความสูงความกว้างช่องสัญญาณ)

ขนาดอินพุตเริ่มต้นสำหรับรุ่นนี้คือ 299x299.

InceptionV3

InceptionV3เป็นอีกรูปแบบหนึ่งที่ได้รับการฝึกฝนมาแล้ว นอกจากนี้ยังได้รับการฝึกฝน uingImageNet. ไวยากรณ์ในการโหลดโมเดลมีดังนี้ -

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

ที่นี่

ขนาดอินพุตเริ่มต้นสำหรับรุ่นนี้คือ 299x299.

สรุป

Keras นั้นง่ายมากขยายได้และง่ายต่อการใช้ API ของเครือข่ายประสาทเทียมซึ่งสามารถใช้เพื่อสร้างแอปพลิเคชันการเรียนรู้เชิงลึกที่มีนามธรรมระดับสูง Keras เป็นตัวเลือกที่ดีที่สุดสำหรับรุ่นเอียงลึก