- Bài 1: Giới thiệu
- Bài 2: Cài đặt
- Bài 3: Cấu hình backend
- Bài 4: Tổng quan về Deep learning
- Bài 5: Deep learning
- Bài 6: Mô đun
- Bài 7: Layers (phần 1)
- Bài 8: Layers (Phần 2)
- Bài 9: Tuỳ chỉnh Layer
- Bài 10: Models
- Bài 11: Tổng hợp Model (Phần 1)
- Bài 12: Tổng hợp Model (Phần 2)
- Bài 13: Đánh giá và dự đoán mô hình
- Bài 14: Convolution Neural Network
- Bài 15: Dự đoán hồi quy sử dụng MPL
- Bài 16: Dự đoán chuỗi thời gian bằng LSTM RNN
- Bài 17: Ứng dụng
- Bài 18: Dự đoán thời gian thực với mô hình ResNet
- Bài 19: Pre-Trained Models
Bài 19: Pre-Trained Models - Keras cơ bản
Đăng bởi: Admin | Lượt xem: 2738 | Chuyên mục: AI
Trong bài này, ta sẽ tìm hiểu về các mô hình được đào tạo trước trong Keras. Hãy bắt đầu với VGG16
1. VGG16
VGG16 là một mô hình được đào tạo trước. Nó cũng được đào tạo bằng ImageNet
keras.applications.vgg16.VGG16(
include_top = True,
weights = 'imagenet',
input_tensor = None,
input_shape = None,
pooling = None,
classes = 1000
)
Kích thước đầu vào mặc định cho mô hình này là 224x224.
2. MobileNetV2
MobileNetV2 là một mô hình được đào tạo khác. Nó cũng được đào tạo uing ImageNet.
keras.applications.mobilenet_v2.MobileNetV2 (
input_shape = None,
alpha = 1.0,
include_top = True,
weights = 'imagenet',
input_tensor = None,
pooling = None,
classes = 1000
)
Trong đó, alpha kiểm soát độ rộng của mạng. Nếu giá trị dưới 1, hãy giảm số lượng bộ lọc trong mỗi lớp. Nếu giá trị trên 1, hãy tăng số lượng bộ lọc trong mỗi lớp. Nếu alpha = 1, số lượng bộ lọc mặc định từ giấy được sử dụng ở mỗi lớp.
Kích thước đầu vào mặc định cho mô hình này là 224x224.
3. InceptionResNetV2
InceptionResNetV2 là một mô hình được đào tạo khác. Nó cũng được đào tạo bằng ImageNet
keras.applications.inception_resnet_v2.InceptionResNetV2 (
include_top = True,
weights = 'imagenet',
input_tensor = None,
input_shape = None,
pooling = None,
classes = 1000)
Mô hình này và có thể được tạo cả với định dạng dữ liệu ‘channel_first’ (height, width, channels) hoặc định dạng dữ liệu ‘channel_last’ (height, width, channels).
Kích thước đầu vào mặc định cho kiểu máy này là 299x299.
4. InceptionV3
keras.applications.inception_v3.InceptionV3 (
include_top = True,
weights = 'imagenet',
input_tensor = None,
input_shape = None,
pooling = None,
classes = 1000
)
Trong đó : Kích thước đầu vào mặc định cho kiểu máy này là 299x299.
5. Kết luận :
Keras là API mạng thần kinh đơn giản, có thể mở rộng và dễ triển khai, có thể được sử dụng để xây dựng các ứng dụng học sâu với mức độ trừu tượng cao. Keras là một sự lựa chọn tối ưu cho các kiểu dáng nghiêng sâu.
Theo dõi VnCoder trên Facebook, để cập nhật những bài viết, tin tức và khoá học mới nhất!
- Bài 1: Giới thiệu
- Bài 2: Cài đặt
- Bài 3: Cấu hình backend
- Bài 4: Tổng quan về Deep learning
- Bài 5: Deep learning
- Bài 6: Mô đun
- Bài 7: Layers (phần 1)
- Bài 8: Layers (Phần 2)
- Bài 9: Tuỳ chỉnh Layer
- Bài 10: Models
- Bài 11: Tổng hợp Model (Phần 1)
- Bài 12: Tổng hợp Model (Phần 2)
- Bài 13: Đánh giá và dự đoán mô hình
- Bài 14: Convolution Neural Network
- Bài 15: Dự đoán hồi quy sử dụng MPL
- Bài 16: Dự đoán chuỗi thời gian bằng LSTM RNN
- Bài 17: Ứng dụng
- Bài 18: Dự đoán thời gian thực với mô hình ResNet
- Bài 19: Pre-Trained Models