Pelajari AI dengan Python · Pelajaran

Menggunakan VGG16 dan ResNet50 sebagai Model Asas

keras.applications.VGG16(weights='imagenet', include_top=False), menambah kepala tersuai.

Pelajaran 2 daripada 413 langkah

Menggunakan VGG16 dan ResNet50 sebagai Model Asas ialah pelajaran Pelajari AI dengan Python percuma di CoddyKit. Ini ialah pelajaran 2 daripada 4. Sebanyak 3 pelajaran dalam laluan pembelajaran ini boleh dibaca sepenuhnya secara percuma — selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan praktikal dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Pelajari AI dengan Python, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Pelajari AI dengan Python merangkumi sejumlah 4 pelajaran.

Modul Aplikasi Keras

tf.keras.applications menyediakan berpuluh-puluh seni bina terlatih awal yang boleh anda muat turun dengan satu baris. Dua model klasik ialah VGG16, iaitu susunan konvolusi 3x3 yang ringkas dan dalam, serta ResNet50, yang menggunakan sambungan baki untuk menjadi lebih dalam dan tepat.

Memuatkan VGG16 sebagai Asas

Muatkan VGG16 dengan berat ImageNet tetapi tanpa kepala classifier supaya anda boleh memasang kepala sendiri.

from tensorflow.keras.applications import VGG16

base = VGG16(
    weights="imagenet",        # download pretrained weights
    include_top=False,         # drop the 1000-class classifier
    input_shape=(224, 224, 3)  # standard ImageNet input size
)

Memahami Argumen

weights="imagenet": muatkan berat terlatih awal dan bukannya berat rawak.
include_top=False: buang classifier padat asal supaya anda boleh menambah classifier sendiri.
input_shape=(224,224,3): tinggi, lebar dan 3 saluran RGB.

Penetapan include_top=False menjadikan model itu boleh digunakan semula untuk tugas baharu.

Membekukan Asas

Tetapkan base.trainable = False supaya berat konvolusi terlatih awal kekal tetap semasa fasa latihan pertama. Hanya kepala baharu anda yang akan belajar.

base.trainable = False
print(len(base.trainable_weights))  # -> 0 when frozen

GlobalAveragePooling2D

Asas tersebut menghasilkan peta ciri 3D seperti (7, 7, 512). GlobalAveragePooling2D merata-ratakan setiap saluran merentasi grid ruangnya, lalu meruntuhkannya menjadi satu vektor bagi setiap saluran, iaitu sepanjang 512 dalam contoh ini.

Kaedah ini menggantikan Flatten + Dense yang sangat besar, sekali gus mengurangkan jumlah parameter dan risiko terlebih muat dengan ketara.

from tensorflow.keras.layers import GlobalAveragePooling2D

# (batch, 7, 7, 512) -> (batch, 512)
pooled = GlobalAveragePooling2D()(base.output)

Menambah Kepala Output Dense

Pasangkan lapisan Dense yang bersaiz mengikut bilangan kelas anda. Gunakan softmax untuk berbilang kelas atau sigmoid untuk binari.

from tensorflow.keras import layers, Model

x = base.output
x = layers.GlobalAveragePooling2D()(x)
x = layers.Dropout(0.3)(x)
outputs = layers.Dense(10, activation="softmax")(x)
model = Model(inputs=base.input, outputs=outputs)

Beralih kepada ResNet50

ResNet50 menggunakan API yang sama. Sambungan baki atau sambungan pintasan membolehkannya dilatih dengan lebih mendalam tanpa kecerunan yang lenyap, dan biasanya memberikan ketepatan ImageNet yang lebih tinggi berbanding VGG16 pada kelajuan yang serupa.

from tensorflow.keras.applications import ResNet50

base = ResNet50(
    weights="imagenet",
    include_top=False,
    input_shape=(224, 224, 3)
)
base.trainable = False

VGG16 berbanding ResNet50

VGG16: kira-kira 138 juta parameter, susunan 3x3 yang seragam dan ringkas, penggunaan memori tinggi serta mudah difahami.
ResNet50: kira-kira 25 juta parameter, blok baki, lebih dalam, biasanya lebih tepat dan lebih ringan.

Untuk kebanyakan tugas pembelajaran pemindahan moden, ResNet50 ialah pilihan lalai yang lebih kukuh.

Memadankan Prapemprosesan

Setiap keluarga mempunyai preprocess_input tersendiri. VGG16 menolak nilai purata RGB, manakala ResNet50 menggunakan penskalaan gaya Caffe yang serupa. Sentiasa import yang sepadan dengan asas anda.

from tensorflow.keras.applications.resnet50 import preprocess_input

x = preprocess_input(image_batch)  # required for correct results

Menjalankan compile pada Model

Dengan asas yang dibekukan, jalankan compile dan latih kepala menggunakan pengoptimum biasa.

model.compile(
    optimizer="adam",
    loss="categorical_crossentropy",
    metrics=["accuracy"]
)
model.fit(train_ds, validation_data=val_ds, epochs=10)

Memeriksa Seni Bina

Panggil model.summary() untuk mengesahkan bahawa asas telah dibekukan, iaitu jumlah parameter yang tidak boleh dilatih adalah besar, dan hanya kepala yang boleh dilatih. Semakan kewajaran ini dapat mengesan kesilapan persediaan lebih awal.

model.summary()
# Look at "Trainable params" vs "Non-trainable params"

Semakan Pantas

Semak pemahaman anda tentang pembinaan model pembelajaran pemindahan dalam Keras.

Jawab dalam pelajaran interaktif

Imbas Kembali

Anda telah memuatkan VGG16 dan ResNet50 dengan weights="imagenet", include_top=False dan input_shape=(224,224,3), membekukan asas dengan base.trainable=False, mengumpulkan ciri dengan GlobalAveragePooling2D dan menambah kepala output Dense.

ResNet50 ialah pilihan lalai yang lebih kukuh. Seterusnya: membuka kunci lapisan untuk penalaan halus.

Percuma untuk bermula

Pelajari Python dengan tutor kecerdasan buatan — percuma

Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.

Kursus: 53
Pelajaran: 225

Mula belajar secara percuma Lihat kursus penuh

Soalan Lazim

Adakah pelajaran “Menggunakan VGG16 dan ResNet50 sebagai Model Asas” percuma?

Ya — sebanyak 3 pelajaran dalam laluan pembelajaran Pelajari AI dengan Python, termasuk “Menggunakan VGG16 dan ResNet50 sebagai Model Asas”, boleh dibaca sepenuhnya secara percuma di web ini. Selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan interaktif dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Kursus Pelajari AI dengan Python merangkumi sejumlah 4 pelajaran.

Apakah yang akan saya pelajari dalam “Menggunakan VGG16 dan ResNet50 sebagai Model Asas”?

keras.applications.VGG16(weights='imagenet', include_top=False), menambah kepala tersuai. Anda berlatih Pelajari AI dengan Python menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.

Adakah saya memerlukan pengalaman untuk memulakan Pelajari AI dengan Python?

Tiada pengalaman terdahulu diperlukan. Pembelajaran Pelajari AI dengan Python di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 2 daripada 4.

Berapa lamakah pelajaran “Menggunakan VGG16 dan ResNet50 sebagai Model Asas” diambil?

Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.

Bolehkah saya menulis dan menjalankan kod dalam pelajaran Pelajari AI dengan Python ini?

Ya. Setiap pelajaran Pelajari AI dengan Python menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.

Semua pelajaran dalam kursus ini

Konsep dan Strategi Pembelajaran Pemindahan
Menggunakan VGG16 dan ResNet50 sebagai Model Asas
Penalaan Halus: Menyahbeku dan Melatih Semula
MobileNet dan EfficientNet untuk Pelaksanaan di Peranti Pinggir

← Kembali ke Pelajari AI dengan Python