今天我們挑選一個由Google在2019年發表的CNN模型架構EfficientNet為大家演示，此過程中使用到Functional的模型建構方式。

from tensorflow.keras.applications import EfficientNetB0

如果你只想使用網路的架構，那只要這樣就行了。

model = EfficientNetB0(include_top=True, weights=None, input_shape=(32,32,3), pooling='avg', classes=10, classifier_activation='softmax')

要做遷移學習，我們載入模型架構，然後指定用imagenet訓練過後的權重初始化，由於imagenet有1000個類別，我們要變更最後二元分類器的數量，先使用include_top=False取消模型最後的全連接層，之後再手動接上感知層，作為輸出的分類器，由於不能參考imagenet的權重，此層權重將採用隨機初始化。

from tensorflow.keras.layers import Dense
from tensorflow.keras.models import Model

model = EfficientNetB0(include_top=False, weights='imagenet', input_shape=(32,32,3), pooling='avg')
x = model.output
output = Dense(units=10, activation='softmax')(x)
model = Model(inputs=model.input, outputs=output)

前述只使用架構的方法，會幫我們在模型的最後感知層與全局平均池化層中間加上Dropout層，在遷移學習這裡我們沒有添加，有需要的可以自行加上。

由於這類預訓練權重都是在解析度較高的圖片訓練而成，模型前幾層將圖片的解析度降了不少，但是cifar10的解析度不高，過了模型前幾層後，剩下2X2甚至1X1的解析度，因此很難學習到甚麼東西，所以我們這裡就不做成果展示了。