摘要

1. Keras Application
2. 預訓練模型種類
3. 模型選用考量
4. 選用結果

內容

1. Keras Application

   1.1 簡介：

   • ILSVRC競賽每年從ImageNet抽取樣本，其中圖像識別的訓練集，包括1000種分類。詳細分類請參考「ImageNet-1000種物體對應編號」
   • Keras Application收錄歷年競賽的深度學習模型，其中帶有預訓練權重，只要以API呼叫，就能迅速進行遷移學習。

   1.2 用途：

   • 預測(如：以VGG16模型對新資料集標籤，用於資料前處理篩選犬類的照片

   • 特徵萃取(如：以IncetionV3模型，從房間擺設照片萃取特徵，用於判斷擺設風格。)

   • 微調(如：以Xception模型，變更輸入層與輸出層後重新訓練模型，用於辨識貓狗照片)

   # 載入keras模型(變更圖片輸入格式)
   model = DenseNet201(include_top=False,
                 weights='imagenet',
                 input_tensor=Input(shape=(80, 80, 3)))
   # 定義輸出層(變更輸出層類別數)
   x = model.output
   x = GlobalAveragePooling2D()(x)
   predictions = Dense(800, activation='softmax')(x)
   model = Model(inputs=model.input, outputs=predictions)
   

2. 預訓練模型種類

   2.1 種類

   

   圖片來自於：https://keras.io/api/applications/

   2.2 說明

   • Size：預訓練模型大小。(與模型部署有關)
   • TOP-1 Accuracy：一張照片第1次辨識，正確分類的準確率。
   • TOP-5 Accuracy：一張照片辨識5次，正確分類的準確率。
   • Parameters(參數)：數量越多，就需要更多的運算時間。
   • Time per inference step：CPU與GPU推論的時間。在(batch size, batch)=(30, 20)的情況下，重複測試10次的平均時間。

3. 模型選用考量：

   3.1 推理速度：因為正式比賽時，主辦方呼叫手寫中文字辨識API後，參賽者需要在1秒內回傳模型的預測結果。故選擇Time per inference step較少的。

   3.2 準確度：Top-5 Accuracy、Top-1 Accuracy高。

   3.3 模型啟用時間短：Size小(輕量化模型)。

   3.4 訓練時間：參數少。

4. 選用結果：
   4.1 依據3的考量，我們最終挑選出4個模型，作為預訓練模型。
   
   4.2 此外，我們挑選與InceptionResNet發表在同一篇論文的InceptionV4，一同加入比較。

小結

下一章，目標是：「介紹Keras Application的重要函數」。

讓我們繼續看下去...

參考資料

1. Keras Application_中文
2. Keras Application_英文