- Keras 教程
- Keras - 主页
- Keras - 简介
- Keras - 安装
- Keras - 后端配置
- Keras - 深度学习概述
- Keras - 深度学习
- Keras - 模块
- Keras - 层
- Keras - 定制层
- Keras - 模型
- Keras - 模型编译
- Keras - 模型评估和预测
- Keras - 卷积神经网络
- Keras - 使用 MPL 进行回归预测
- Keras - 使用 LSTM RNN 进行时间序列预测
- Keras - 应用程序
- Keras - 使用 ResNet 模型进行实时预测
- Keras - 预训练模型
- Keras 有用资源
- Keras - 快速指南
- Keras - 有用的资源
- Keras - 讨论
Keras - 应用程序
Keras应用模块用于为深度神经网络提供预训练模型。Keras 模型用于预测、特征提取和微调。本章详细介绍了 Keras 应用程序。
预训练模型
训练后的模型由模型架构和模型权重两部分组成。模型权重是一个很大的文件,因此我们必须从 ImageNet 数据库下载并提取特征。下面列出了一些流行的预训练模型,
- 残差网络
- VGG16
- 移动网络
- InceptionResNetV2
- 盗梦空间V3
加载模型
Keras 预训练模型可以轻松加载,如下所示 -
import keras import numpy as np from keras.applications import vgg16, inception_v3, resnet50, mobilenet #Load the VGG model vgg_model = vgg16.VGG16(weights = 'imagenet') #Load the Inception_V3 model inception_model = inception_v3.InceptionV3(weights = 'imagenet') #Load the ResNet50 model resnet_model = resnet50.ResNet50(weights = 'imagenet') #Load the MobileNet model mobilenet_model = mobilenet.MobileNet(weights = 'imagenet')
模型加载后,我们可以立即将其用于预测目的。让我们在接下来的章节中检查每个预训练模型。