Keras 的预训练权值模型用来进行预测、特征提取和微调（fine-tuning）
转至：Keras中文文档 https://keras.io/zh/applications/
应用 Applications
Keras 的应用模块（keras.applications）提供了带有预训练权值的深度学习模型，这些模型可以用来进行预测、特征提取和微调（fine-tuning）。
当你初始化一个预训练模型时，会自动下载权重到 ~/.keras/models/ 目录下。
可用的模型
在 ImageNet 上预训练过的用于图像分类的模型：
- Xception
- VGG16
- VGG19
- ResNet50
- InceptionV3
- InceptionResNetV2
- MobileNet
- DenseNet
- NASNet
- MobileNetV2
所有的这些架构都兼容所有的后端 (TensorFlow, Theano 和 CNTK)，并且会在实例化时，根据 Keras 配置文件〜/.keras/keras.json 中设置的图像数据格式构建模型。举个例子，如果你设置 image_data_format=channels_last，则加载的模型将按照 TensorFlow 的维度顺序来构造，即「高度-宽度-深度」（Height-Width-Depth）的顺序。
注意：
- 对于
Keras < 2.2.0，Xception 模型仅适用于 TensorFlow，因为它依赖于SeparableConvolution层。 - 对于
Keras < 2.1.5，MobileNet 模型仅适用于 TensorFlow，因为它依赖于DepthwiseConvolution层。
图像分类模型的使用示例
使用 ResNet50 进行 ImageNet 分类
from keras.applications.resnet50 import ResNet50
from keras.preprocessing import image
from keras.applications.resnet50 import preprocess_input, decode_predictions
import numpy as np
model = ResNet50(weights='imagenet')
img_path = 'elephant.jpg'
img = image.load_img(img_path, target_size=(224, 224))
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)
x = preprocess_input(x)
preds = model.predict(x)
# 将结果解码为元组列表 (class, description, probability)
# (一个列表代表批次中的一个样本）
print('Predicted:', decode_predictions(preds, top=3)[0])
# Predicted: [(u'n02504013', u'Indian_elephant', 0.82658225), (u'n01871265', u'tusker', 0.1122357), (u'n02504458', u'African_elephant', 0.061040461)]使用 VGG16 提取特征
from keras.applications.vgg16 import VGG16
from keras.preprocessing import image
from keras.applications.vgg16 import preprocess_input
import numpy as np
model = VGG16(weights='imagenet', include_top=False)#include_top=False 去掉最后3层的全连接层
img_path = 'elephant.jpg'
img = image.load_img(img_path, target_size=(224, 224))
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)
x = preprocess_input(x)
features = model.predict(x)
从VGG19 的任意中间层中抽取特征
from keras.applications.vgg19 import VGG19
from keras.preprocessing import image
from keras.applications.vgg19 import preprocess_input
from keras.models import Model
import numpy as np
base_model = VGG19(weights='imagenet')
model = Model(inputs=base_model.input, outputs=base_model.get_layer('block4_pool').output)
img_path = 'elephant.jpg'
img = image.load_img(img_path, target_size=(224, 224))
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)
x = preprocess_input(x)
block4_pool_features = model.predict(x)
在新类上微调 InceptionV3
from keras.applications.inception_v3 import InceptionV3
from keras.preprocessing import image
from keras.models import Model
from keras.layers import Dense, GlobalAveragePooling2D
from keras import backend as K
# 构建不带分类器的预训练模型
base_model = InceptionV3(weights='imagenet', include_top=False)
# 添加全局平均池化层
x = base_model.output
x = GlobalAveragePooling2D()(x)
# 添加一个全连接层
x = Dense(1024, activation='relu')(x)
# 添加一个分类器，假设我们有200个类
predictions = Dense(200, activation='softmax')(x)
# 构建我们需要训练的完整模型
model = Model(inputs=base_model.input, outputs=predictions)
# 首先，我们只训练顶部的几层（随机初始化的层）
# 锁住所有 InceptionV3 的卷积层
for layer in base_model.layers:
layer.trainable = False
# 编译模型（一定要在锁层以后操作）
model.compile(optimizer='rmsprop', loss='categorical_crossentropy')
# 在新的数据集上训练几代
model.fit_generator(...)
# 现在顶层应该训练好了，让我们开始微调 Inception V3 的卷积层。
# 我们会锁住底下的几层，然后训练其余的顶层。
# 让我们看看每一层的名字和层号，看看我们应该锁多少层呢：
for i, layer in enumerate(base_model.layers):
print(i, layer.name)
# 我们选择训练最上面的两个 Inception block
# 也就是说锁住前面249层，然后放开之后的层。
for layer in model.layers[:249]:
layer.trainable = False
for layer in model.layers[249:]:
layer.trainable = True
# 我们需要重新编译模型，才能使上面的修改生效
# 让我们设置一个很低的学习率，使用 SGD 来微调
from keras.optimizers import SGD
model.compile(optimizer=SGD(lr=0.0001, momentum=0.9), loss='categorical_crossentropy')
# 我们继续训练模型，这次我们训练最后两个 Inception block
# 和两个全连接层
model.fit_generator(...)
通过自定义输入张量构建 InceptionV3
from keras.applications.inception_v3 import InceptionV3
from keras.layers import Input
# 这也可能是不同的 Keras 模型或层的输出
input_tensor = Input(shape=(224, 224, 3)) # 假定 K.image_data_format() == 'channels_last'
model = InceptionV3(input_tensor=input_tensor, weights='imagenet', include_top=True)
模型概览
| 模型 | 大小 | Top-1 准确率 | Top-5 准确率 | 参数数量 | 深度 |
|---|---|---|---|---|---|
| Xception | 88 MB | 0.790 | 0.945 | 22,910,480 | 126 |
| VGG16 | 528 MB | 0.713 | 0.901 | 138,357,544 | 23 |
| VGG19 | 549 MB | 0.713 | 0.900 | 143,667,240 | 26 |
| ResNet50 | 99 MB | 0.749 | 0.921 | 25,636,712 | 168 |
| InceptionV3 | 92 MB | 0.779 | 0.937 | 23,851,784 | 159 |
| InceptionResNetV2 | 215 MB | 0.803 | 0.953 | 55,873,736 | 572 |
| MobileNet | 16 MB | 0.704 | 0.895 | 4,253,864 | 88 |
| MobileNetV2 | 14 MB | 0.713 | 0.901 | 3,538,984 | 88 |
| DenseNet121 | 33 MB | 0.750 | 0.923 | 8,062,504 | 121 |
| DenseNet169 | 57 MB | 0.762 | 0.932 | 14,307,880 | 169 |
| DenseNet201 | 80 MB | 0.773 | 0.936 | 20,242,984 | 201 |
| NASNetMobile | 23 MB | 0.744 | 0.919 | 5,326,716 | - |
| NASNetLarge | 343 MB | 0.825 | 0.960 | 88,949,818 | - |
Top-1 准确率和 Top-5 准确率都是在 ImageNet 验证集上的结果。
Xception
keras.applications.xception.Xception(include_top=True, weights='imagenet', input_tensor=None, input_shape=None, pooling=None, classes=1000)
在 ImageNet 上预训练的 Xception V1 模型。
在 ImageNet 上，该模型取得了验证集 top1 0.790 和 top5 0.945 的准确率。
注意该模型只支持 channels_last 的维度顺序（高度、宽度、通道）。
模型默认输入尺寸是 299x299。
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(299, 299, 3)，因为预训练模型是以这个大小训练的）。它必须拥有 3 个输入通道，且宽高必须不小于 71。例如(150, 150, 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 4D 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 2D 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。
返回值
一个 Keras Model 对象.
参考文献
- Xception: Deep Learning with Depthwise Separable Convolutions
License
预训练权值由我们自己训练而来，基于 MIT license 发布。
VGG16
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。
返回值
一个 Keras Model 对象。
参考文献
- Very Deep Convolutional Networks for Large-Scale Image Recognition：如果在研究中使用了VGG，请引用该论文。
License
预训练权值由 VGG at Oxford 发布的预训练权值移植而来，基于 Creative Commons Attribution License。
VGG19
keras.applications.vgg19.VGG19(include_top=True, weights='imagenet', input_tensor=None, input_shape=None, pooling=None, classes=1000)
VGG19 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。
返回值
一个 Keras Model 对象。
参考文献
- Very Deep Convolutional Networks for Large-Scale Image Recognition：如果在研究中使用了VGG，请引用该论文。
License
预训练权值由 VGG at Oxford 发布的预训练权值移植而来，基于 Creative Commons Attribution License。
ResNet50
keras.applications.resnet50.ResNet50(include_top=True, weights='imagenet', input_tensor=None, input_shape=None, pooling=None, classes=1000)
ResNet50 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。
返回值
一个 Keras Model 对象。
参考文献
- Deep Residual Learning for Image Recognition
License
预训练权值由 Kaiming He 发布的预训练权值移植而来，基于 MIT license。
InceptionV3
keras.applications.inception_v3.InceptionV3(include_top=True, weights='imagenet', input_tensor=None, input_shape=None, pooling=None, classes=1000)
Inception V3 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 299x299。
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(299, 299, 3)（对于channels_last数据格式），或者(3, 299, 299)（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 139。例如(150, 150, 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。
返回值
一个 Keras Model 对象。
参考文献
- Rethinking the Inception Architecture for Computer Vision
License
预训练权值基于 Apache License。
InceptionResNetV2
keras.applications.inception_resnet_v2.InceptionResNetV2(include_top=True, weights='imagenet', input_tensor=None, input_shape=None, pooling=None, classes=1000)
Inception-ResNet V2 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 299x299。
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(299, 299, 3)（对于channels_last数据格式），或者(3, 299, 299)（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 139。例如(150, 150, 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。
返回值
一个 Keras Model 对象。
参考文献
- Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning
License
预训练权值基于 Apache License。
MobileNet
keras.applications.mobilenet.MobileNet(input_shape=None, alpha=1.0, depth_multiplier=1, dropout=1e-3, include_top=True, weights='imagenet', input_tensor=None, pooling=None, classes=1000)
在 ImageNet 上预训练的 MobileNet 模型。
注意，该模型目前只支持 channels_last 的维度顺序（高度、宽度、通道）。
模型默认输入尺寸是 224x224。
参数
- 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(224, 224, 3)（channels_last格式）或(3, 224, 224)（channels_first格式）。它必须为 3 个输入通道，且宽高必须不小于 32，比如(200, 200, 3)是一个合法的输入尺寸。 - alpha: 控制网络的宽度：
- 如果
alpha< 1.0，则同比例减少每层的滤波器个数。 - 如果
alpha> 1.0，则同比例增加每层的滤波器个数。 - 如果
alpha= 1，使用论文默认的滤波器个数
- 如果
- depth_multiplier: depthwise卷积的深度乘子，也称为（分辨率乘子）
- dropout: dropout 概率
- 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（比如
layers.Input()输出的 tensor）。 - 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。
返回
一个 Keras Model 对象。
参考文献
- MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications
License
预训练权值基于 Apache License。
DenseNet
keras.applications.densenet.DenseNet121(include_top=True, weights='imagenet', input_tensor=None, input_shape=None, pooling=None, classes=1000)
keras.applications.densenet.DenseNet169(include_top=True, weights='imagenet', input_tensor=None, input_shape=None, pooling=None, classes=1000)
keras.applications.densenet.DenseNet201(include_top=True, weights='imagenet', input_tensor=None, input_shape=None, pooling=None, classes=1000)
在 ImageNet 上预训练的 DenseNet 模型。
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
- blocks: 四个 Dense Layers 的 block 数量。
- 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（比如
layers.Input()输出的 tensor）。 - input_shape: 可选，输入尺寸元组，仅当
include_top=False时有效（不然输入形状必须是(224, 224, 3)（channels_last格式）或(3, 224, 224)（channels_first格式），因为预训练模型是以这个大小训练的）。它必须为 3 个输入通道，且宽高必须不小于 32，比如(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。
返回
一个 Keras Model 对象。
参考文献
- Densely Connected Convolutional Networks (CVPR 2017 Best Paper Award)
Licence
预训练权值基于 BSD 3-clause License。
NASNet
keras.applications.nasnet.NASNetLarge(input_shape=None, include_top=True, weights='imagenet', input_tensor=None, pooling=None, classes=1000)
keras.applications.nasnet.NASNetMobile(input_shape=None, include_top=True, weights='imagenet', input_tensor=None, pooling=None, classes=1000)
在 ImageNet 上预训练的神经结构搜索网络模型（NASNet）。
NASNetLarge 模型默认的输入尺寸是 331x331，NASNetMobile 模型默认的输入尺寸是 224x224。
参数
- input_shape: 可选，输入尺寸元组，仅当
include_top=False时有效，否则对于 NASNetMobile 模型来说，输入形状必须是(224, 224, 3)（channels_last格式）或(3, 224, 224)（channels_first格式），对于 NASNetLarge 来说，输入形状必须是(331, 331, 3)（channels_last格式）或(3, 331, 331)（channels_first格式）。它必须为 3 个输入通道，且宽高必须不小于 32，比如(200, 200, 3)是一个合法的输入尺寸。 - 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（比如
layers.Input()输出的 tensor）。 - 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。
返回
一个 Keras Model 实例。
参考文献
- Learning Transferable Architectures for Scalable Image Recognition
License
预训练权值基于 Apache License。
MobileNetV2
keras.applications.mobilenet_v2.MobileNetV2(input_shape=None, alpha=1.0, depth_multiplier=1, include_top=True, weights='imagenet', input_tensor=None, pooling=None, classes=1000)
在 ImageNet 上预训练的 MobileNetV2 模型。
请注意，该模型仅支持 'channels_last' 数据格式（高度，宽度，通道)。
模型默认输出尺寸为 224x224。
参数
- input_shape: optional shape tuple, to be specified if you would like to use a model with an input img resolution that is not (224, 224, 3). It should have exactly 3 inputs channels (224, 224, 3). You can also omit this option if you would like to infer input_shape from an input_tensor. If you choose to include both input_tensor and input_shape then input_shape will be used if they match, if the shapes do not match then we will throw an error. E.g.
(160, 160, 3)would be one valid value. - alpha: 控制网络的宽度。这在 MobileNetV2 论文中被称作宽度乘子。
- 如果
alpha< 1.0，则同比例减少每层的滤波器个数。 - 如果
alpha> 1.0，则同比例增加每层的滤波器个数。 - 如果
alpha= 1，使用论文默认的滤波器个数。
- 如果
- depth_multiplier: depthwise 卷积的深度乘子，也称为（分辨率乘子）
- 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）。 - 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。
返回
一个 Keras model 实例。
异常
ValueError: 如果 weights 参数非法，或非法的输入尺寸，或者当 weights='imagenet' 时，非法的 depth_multiplier, alpha, rows。
参考文献
- MobileNetV2: Inverted Residuals and Linear Bottlenecks
License
预训练权值基于 Apache License.