Keras中模型 《th与tf的区别》、《notop的含义》

th与tf的区别
==================

Keras提供了两套后端，Theano和Tensorflow， 
th和tf的大部分功能都被backend统一包装起来了，但二者还是存在不小的冲突，有时候你需要特别注意Keras是运行在哪种后端之上，它们的主要冲突有：

dim_ordering，也就是维度顺序。比方说一张224*224的彩色图片，theano的维度顺序是(3，224，224)，即通道维在前。而tf的维度顺序是(224，224，3)，即通道维在后。 
卷积层权重的shape：从无到有训练一个网络，不会有任何问题。但是如果你想把一个th训练出来的卷积层权重载入风格为tf的卷积层……说多了都是泪。我一直觉得这个是个bug，数据的dim_ordering有问题就罢了，为啥卷积层权重的shape还需要变换咧？我迟早要提个PR把这个bug修掉！ 
然后是卷积层kernel的翻转不翻转问题，这个我们说过很多次了，就不再多提。 
数据格式的区别，channels_last”对应原本的“tf”，“channels_first”对应原本的“th”。（tf 默认的格式是（rows,cols,channels）,f 默认的格式是（channels,rows,cols）） 
以128x128的RGB图像为例，“channels_first”应将数据组织为（3,128,128），而“channels_last”应将数据组织为（128,128,3）。 
譬如： 
vgg16_weights_th_dim_ordering_th_kernels_notop.h5
vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5 

注意：在th下，由于模型默认的格式是channel_last的（height,wdith，channels），如果要使用channel_first（channels,height，wdith）的格式，可以在最前面加上这一句：

K.set_image_data_format('channels_first')

rows是行的大小，即图像的height。

cols是列的大小，即图像的width。

 

notop的含义

==================

notop代表是否包括顶层的全连接层，默认include_top=True，包括全连接层。

 

以VGG16模型为例：

keras.applications.vgg16.VGG16(include_top=True, weights='imagenet', input_tensor=None, input_shape=None, pooling=None, classes=1000)

VGG16 模型，权值由 ImageNet 训练而来。

该模型可同时构建于 channels_first (通道，高度，宽度) 和 channels_last （高度，宽度，通道）两种输入维度顺序。

模型默认输入尺寸是 224x224。

参数

• include_top: 是否包括顶层的全连接层。
• weights: None 代表随机初始化， 'imagenet' 代表加载在 ImageNet 上预训练的权值。
• input_tensor: 可选，Keras tensor 作为模型的输入（即 layers.Input() 输出的 tensor）。
• input_shape: 可选，输入尺寸元组，仅当 include_top=False 时有效，否则输入形状必须是 (244, 244, 3)（对于 channels_last 数据格式），或者 (3, 244, 244)（对于 channels_first 数据格式）。它必须拥有 3 个输入通道，且宽高必须不小于 32。例如 (200, 200, 3) 是一个合法的输入尺寸。
• pooling: 可选，当 include_top 为 False 时，该参数指定了特征提取时的池化方式。
  • None 代表不池化，直接输出最后一层卷积层的输出，该输出是一个四维张量。
  • 'avg' 代表全局平均池化（GlobalAveragePooling2D），相当于在最后一层卷积层后面再加一层全局平均池化层，输出是一个二维张量。
  • 'max' 代表全局最大池化
• classes: 可选，图片分类的类别数，仅当 include_top 为 True 并且不加载预训练权值时可用