tensorflow官方github 预训练模型下载

一、官网链接

示例:https://github.com/tensorflow/models/tree/master/research/slim

二、使用步骤

1.寻找你想要的预训练模型

图示如下在这里插入图片描述

2.下载对应文件

Code对应程序源码

Checkpoint对应预训练模型

三、提示

1、一般都是用imagenet上的预训练模型初始化权重,在新的数据集下大多数情况下都有效。

2、输入不一样可以使用预训练模型,只是要注意下,最后全连接层有可能不一样,不一样的话对应着自己的网络模型修改这一层就行

3、如果是图像处理,应采用合适的预处理操作,同时让图像的大小保持一致。

4、去掉一些不需要的层;修改对应名称的层以加载对应的权重

5、预处理步骤在slim/preprocessing文件夹下的 preprocessing_factory.py文件中,打开看得到下载模型对应的预处理方法。

Eg:resnet50对应的是vgg_preprocessing文件,点开这个文件找到def mean_iamge subtraction(imagem, means):

这个就是预处理步骤,用这个预处理步骤嵌入到自己先前构造的模型中,也就是预训练模型和自身模型的预处理步骤需要保持一致!!!

  • 3
    点赞
  • 19
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
TensorFlow 2 中的预训练模型是已经在大规模数据集上进行训练的深度学习模型。这些模型通过在大量数据上进行反向传播训练,获得了丰富的特征表示能力。预训练模型可以用于各种计算机视觉、自然语言处理和语音识别任务。 TensorFlow 2 提供了一些著名的预训练模型,如BERT、ResNet、VGG等。这些模型具有强大的识别和表示能力,可以直接在新任务中进行微调。 使用预训练模型可以带来一些好处。首先,预训练模型能够大大减少从头开始训练模型所需的时间和计算资源。其次,预训练模型能够提供更好的初始权重,从而使得模型更容易收敛。此外,在数据量较少的情况下,使用预训练模型可以避免过拟合问题。 使用 TensorFlow 2 中的预训练模型也非常方便。它们可以通过 TensorFlow Hub、TensorFlow Addons 或 TensorFlow官方 GitHub 存储库轻松获得。只需导入相应的模型并选择适当的层进行微调即可。 然而,尽管预训练模型能够提供很好的起点,但在新任务上,仍然需要进行适当的微调和调整。根据新任务的特点,可能需要添加或修改模型的某些层,以更好地适应新的数据和任务要求。 总的来说,TensorFlow 2 的预训练模型为我们提供了一个快速、高效和强大的工具,可以在各种深度学习任务中提供良好的起点和基础。通过适当的微调和调整,我们可以充分利用这些预训练模型,并在实践中取得更好的结果。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值