机器学习实战：基于Scikit-Learn、Keras 和TensorFlow （原书第2 版）

使用卷积神经网络的深度计算机视觉

｜

417

model.add(ResidualUnit(filters, strides=strides))

prev_filters = filters

model.add(keras.layers.GlobalAvgPool2D())

model.add(keras.layers.Flatten())

model.add(keras.layers.Dense(10, activation="softmax"))

这段代码中唯一有点技巧的部分是将 ResidualUnit 层添加到模型的循环：如前所述，

前 3 个 RU 具有 64 个滤波器，然后余下 4 个 RU 具有 128 个滤波器，以此类推。然后，

当滤波器的数量与上一个 RU 中的相同时，将步幅设置为 1，否则将其设置为 2。然后添

加 ResidualUnit，最后更新 prev_filters。

令人惊讶的是，我们可以用不到 40 行代码来构建赢得 2015 年 ILSVRC 挑战的模型！这

证明了 ResNet 模型的优雅和 Keras API 的表达力。实现其他 CNN 架构并不困难。但是，

Keras 内置了其中几种架构，那么为什么不使用它们呢？

14.6 使用 Keras 的预训练模型

通常，你无须手动实现像 GoogLeNet 或 ResNet 这样的标准模型，因为在 keras.

applications 包中只需一行代码即可轻松获得预训练的网络。例如，你可以使用以

下代码加载在 ImageNet ...