Функция applications.Xception

Функция applications.Xception создает модель Xception - глубокую сверточную нейронную сеть, основанную на разделяемых по глубине свертках. Первым параметром передается форма входных данных input_shape, вторым - количество классов classes, третьим - использовать ли предобученные веса weights. Модель может работать как в режиме инференса, так и в режиме извлечения признаков через параметр include_top.

Синтаксис

tf.keras.applications.Xception(
	include_top=True,
	weights="imagenet",
	input_shape=None,
	classes=1000,
	classifier_activation="softmax"
)

Пример

Давайте создадим модель Xception с предобученными весами ImageNet для классификации 1000 классов:

import tensorflow as tf

tf.random.set_seed(0)

model = tf.keras.applications.Xception(
	include_top=True,
	weights="imagenet",
	input_shape=(299, 299, 3),
	classes=1000
)
print(model.input_shape)
print(model.output_shape)

Результат выполнения кода:

(None, 299, 299, 3)
(None, 1000)

Пример

Давайте создадим усеченную модель без верхнего классификатора для извлечения признаков:

<+python+> import tensorflow as tf tf.random.set_seed(0) model = tf.keras.applications.Xception( include_top=False, weights="imagenet", input_shape=(299, 299, 3) ) print(model.output_shape) <-python+>

Результат выполнения кода:

(None, 10, 10, 2048)

Пример

Давайте применим модель к изображению и получим предсказания классов:

import tensorflow as tf
import numpy as np

tf.random.set_seed(0)

model = tf.keras.applications.Xception(
	include_top=True,
	weights="imagenet",
	input_shape=(299, 299, 3)
)

img = np.random.rand(1, 299, 299, 3).astype("float32")
res = model.predict(img)
print(res.shape)

Результат выполнения кода:

(1, 1000)

Смотрите также

функцию InceptionV3,
которая создает модель InceptionV3 для классификации изображений
функцию ResNet50,
которая создает остаточную сеть ResNet50
функцию VGG16,
которая создает сверточную сеть VGG16
функцию EfficientNetB0,
которая создает эффективную сеть EfficientNetB0