Keras - Applications

Keras - 预训练模型（Applications 模块）

tensorflow.keras.applications 模块提供了方便访问带有预训练权重的深度学习模型。这些模型通常在 ImageNet 等大型数据集上训练，对于各种任务都非常有用：

预测： 直接使用模型对新图像进行分类。
特征提取： 使用模型的卷积基（convolutional base，不包含最终的分类层）从图像中提取有意义的特征，这些特征随后可作为另一个模型的输入。
迁移学习 / 微调： 将预训练模型适应于使用较小数据集的新相关任务。这涉及解冻后面的一些层，并在您的特定数据上重新训练它们，从而利用原始训练中学到的特征。

可用的预训练模型

一个训练好的模型由两部分组成：模型架构（层及其连接）和模型权重（训练过程中学习到的参数）。权重文件通常很大，在您首次使用 weights='imagenet' 实例化模型时会自动下载。

tf.keras.applications 中一些流行的预训练模型包括：

VGG16, VGG19
ResNet50, ResNet101, ResNet152 (及 ResNetRS 变体)
InceptionV3
InceptionResNetV2
MobileNet, MobileNetV2, MobileNetV3Small, MobileNetV3Large
DenseNet121, DenseNet169, DenseNet201
NASNetLarge, NASNetMobile
EfficientNetB0-B7, EfficientNetV2B0-B3, EfficientNetV2S, M, L
Xception

加载预训练模型

使用 tensorflow.keras.applications 中相应的函数加载这些模型非常简单。weights='imagenet' 参数会自动获取从 ImageNet 数据集学习到的权重。

import tensorflow as tf

# Example: Load VGG16 with ImageNet weights
# The weights file will be downloaded on first use
vgg_model = tf.keras.applications.VGG16(weights='imagenet')

# Example: Load MobileNetV2 with ImageNet weights
mobilenet_model = tf.keras.applications.MobileNetV2(weights='imagenet')

# Example: Load ResNet50
resnet_model = tf.keras.applications.ResNet50(weights='imagenet')

# Example: Load InceptionV3
inception_model = tf.keras.applications.InceptionV3(weights='imagenet')

加载模型时的常用参数：

weights：权重的来源（‘imagenet’ 或 None，或权重文件的路径）。None 会随机初始化权重。
include_top：是否包含最终的全连接分类层。对于特征提取或迁移学习（您将添加自己的分类器），请将其设置为 False。
input_shape：如果 include_top 为 False，可选的形状元组（例如，(224, 224, 3)）。如果未指定，模型可以处理任意大小的输入。

一旦加载，这些模型可以直接用于预测等任务，或作为更复杂应用的基础，这将在后面的章节中探讨。