Keras学习之：keras 自带的经典模型加载和使用（vgg-16，resnet，mobilenet，densenet等）_keras 自带vgg

• 你还在为自己搭建网络结构而烦恼么
• 你还在为自己找不到合适的网络做实验而苦闷么
• 看完这篇文章，给你不一样的新世界

1. 模块导入

这里以 vgg-16 模块的导入和使用为例，给大家做简单的演示

from keras_applications import vgg16
1

2. 模型实例化

vgg_16 = vgg16.VGG16(input_shape=(224,224,3),
                     weights=None,
                     include_top=False,
                     backend=keras.backend,
                     layers=keras.layers,
                     models=keras.models,
                     utils=keras.utils)
1
2
3
4
5
6
7

• 注意，在实例化网络的时候要以上面的方式添加参数，如果你按照下面的方式创建网络，会报错：AttributeError: ‘NoneType’ object has no attribute 'image_data_format’

• 如果你的 weight 不设置为 None，那么系统会自动从网上给你下载 vgg-16的参数，巨巨巨巨大。所以建议 weight=None

• include_top 又是个什么东西呢？其实就是包不包含 vgg-16 的全连接层部分，因为全连接层部分的参数众多，而且主要是用来分固定的类，所以如果你想自己设计全连接层的样式，并训练 vgg-16 让他来分特定的几类，就可以 include_top=False 下面给大家展示一下区别
  
  

• 请注意，input_shape 和 pooling参数只能在 include_top 是 False 时指定。因为如果默认使用完整的 vgg-16网络，这个时候全连接层的参数是固定的，如果随便调了输入图片的尺寸或者 pooling 的参数，那么在最终特征图 feature map 到达 dense 层的时候，就不一定满足神经元个数匹配，因此只有在不包含全连接层（include_top=False）的时候才能指定修改 input_shape 以及 pooling 参数