Halcon深度学习预训练网络模型

Halcon提供了预训练网络。这些网络在使用前已经经过丰富的图像库训练过，在此基础上训练出的网络对于图像分类任务表现更好。接下来分别介绍Halcon提供的预训练网络。
1.pretrained_dl_classifier_compact.hdl模型
网络的优点是节省内存以及运行效率高。
模型支持‘real’图像类型。如果想知道网络模型各参数值，可以使用算子get_dl_classifier_param获取，下面列举的部分参数是预训练网络使用图像数据集训练时的值。
图像宽度：224
图像高度：224
图像通道数：3
图像灰度范围下限：-127
图像灰度范围上限：128
网络没有全连接层。网络架构支持改变训练图像尺寸，但最小尺寸不能低于15 x 15

2.pretrained_dl_classifier_enhanced.hdl模型
对比上面的迷你型分类网络，此网络拥有更多的隐含层，因此可以胜任更复杂的分类任务。但是需要的代价是更大内存以及更长的训练时间，另外由于隐含层的增多，计算相较于上面的网络更复杂，所以批处理数不能设置太大。
对图像以及使用数据集预训练的参数同上。
同样此网络架构也支持改变训练图像尺寸，但是最小尺寸不能低于47 x 47。虽然网络架构没有对图像尺寸设置上限，但是如果图像尺寸越大，那么需要占用的内存资源就越多，对内存的要求就更高，同时耗时更多。更改图像大小将重新初始化全连接层的权重，因此需要重新训练网络。

3.retrained_dl_classifier_resnet50.hdl模型
对比pretrained_dl_classifier_enhanced.hdl网络模型，此模型对更复杂的分类任务表现效果更好。它的网络结构不同于以上两个模型，训练时稳定性以及鲁棒性更好。
对图像以及使用数据集预训练的参数同上。
同样此网络架构也支持改变训练图像尺寸，但是最小尺寸不能低于32 x 32。虽然网络架构没有对图像尺寸设置上限，但是如果图像尺寸越大，那么需要占用的内存资源就越多，对内存的要求就更高，同时耗时更多。
尽管同样是全连接层，图像大小的改变不会导致权重的重新初始化。

总结
以上三个网络模型中列出的参数值都是在使用网络之前预训练网络时使用的值。如果想要不同的图像尺寸，可以通过算子 set_dl_classifier_param 设置。
对于至少有一个全连接层的网络模型，只要图像尺寸变了，就需要重新训练，比如pretrained_dl_classifier_enhanced模型；对于没有全连接层的网络，训练好的网络模型可以直接应用在不同尺寸的图像上，但分类精度会降低。

1、pretrained_dl_classifier_compact迷你型分类网络，占用内存少，训练速度快。没有全连接层，训练好的网络模型可以应用在不同尺寸的图像上，但精度会降低。
2、pretrained_dl_classifier_enhanced增强版网络模型，对比pretrained_dl_classifier_compact网络可以胜任更复杂的分类，但占用内存资源多，训练速度慢，因此批处理数不能太大。含有全连接层，更改图像大小将重新初始化全连接层的权重，因此需要重新训练网络。
3、pretrained_dl_classifier_enhanced不同于以上两个网络结构，对更复杂的分类任务，占用内存资源更多，训练速度更慢，但稳定性以及鲁棒性更好。尽管同样是全连接层，图像大小的改变不会导致权重的重新初始化。