Модуль: tf.keras.applications.mobilenet_v2

Модели MobileNet v2 для Keras.

MobileNetV2 — это общая архитектура и может использоваться для различных задач. В зависимости от задачи, она может использовать различные размеры входного слоя и различные факторы ширины. Это позволяет создавать модели с различной шириной, уменьшая число умножений-сложений и, тем самым, снижая затраты на вычисления на мобильных устройствах.

MobileNetV2 очень похожа на исходную MobileNet, за исключением того, что она использует инвертированные остаточные блоки с узкими функциями. Она имеет значительно меньшее количество параметров, чем оригинальная MobileNet. MobileNets поддерживают любой размер входного изображения больше 32x32, причём более крупные изображения обеспечивают лучшую производительность.

Число параметров и число умножений-сложений можно изменить, используя параметр alpha, который увеличивает/уменьшает число фильтров в каждом слое. Изменяя размер изображения и alpha параметр, можно построить все 22 модели из статьи, с предобученными весами для ImageNet.

В статье показана производительность MobileNets с alpha значениями 1.0 (также называемыми 100% MobileNet), 0.35, 0.5, 0.75, 1.0, 1.3 и 1.4. Для каждого из этих alpha значений предоставлены веса для 5 различных размеров входных изображений (224, 192, 160, 128 и 96).

В следующей таблице описывается производительность

MobileNet на различных размерах входных данных:

MACs обозначает умножения-сложения (Multiply Adds) Классификационная контрольная точка|MACs (M)|Параметры (M)|Точность по 1 классу|Точность по 5 классам --------------------------|------------|---------------|---------|----|--------- | [mobilenet_v2_1.4_224] | 582 | 6.06 | 75.0 | 92.5 | | [mobilenet_v2_1.3_224] | 509 | 5.34 | 74.4 | 92.1 | | [mobilenet_v2_1.0_224] | 300 | 3.47 | 71.8 | 91.0 | | [mobilenet_v2_1.0_192] | 221 | 3.47 | 70.7 | 90.1 | | [mobilenet_v2_1.0_160] | 154 | 3.47 | 68.8 | 89.0 | | [mobilenet_v2_1.0_128] | 99 | 3.47 | 65.3 | 86.9 | | [mobilenet_v2_1.0_96] | 56 | 3.47 | 60.3 | 83.2 | | [mobilenet_v2_0.75_224] | 209 | 2.61 | 69.8 | 89.6 | | [mobilenet_v2_0.75_192] | 153 | 2.61 | 68.7 | 88.9 | | [mobilenet_v2_0.75_160] | 107 | 2.61 | 66.4 | 87.3 | | [mobilenet_v2_0.75_128] | 69 | 2.61 | 63.2 | 85.3 | | [mobilenet_v2_0.75_96] | 39 | 2.61 | 58.8 | 81.6 | | [mobilenet_v2_0.5_224] | 97 | 1.95 | 65.4 | 86.4 | | [mobilenet_v2_0.5_192] | 71 | 1.95 | 63.9 | 85.4 | | [mobilenet_v2_0.5_160] | 50 | 1.95 | 61.0 | 83.2 | | [mobilenet_v2_0.5_128] | 32 | 1.95 | 57.7 | 80.8 | | [mobilenet_v2_0.5_96] | 18 | 1.95 | 51.2 | 75.8 | | [mobilenet_v2_0.35_224] | 59 | 1.66 | 60.3 | 82.9 | | [mobilenet_v2_0.35_192] | 43 | 1.66 | 58.2 | 81.2 | | [mobilenet_v2_0.35_160] | 30 | 1.66 | 55.7 | 79.1 | | [mobilenet_v2_0.35_128] | 20 | 1.66 | 50.8 | 75.0 | | [mobilenet_v2_0.35_96] | 11 | 1.66 | 45.5 | 70.4 |

Ссылка:

• MobileNetV2: Инвертированные остаточные блоки и линейные узкие функции (CVPR 2018)

Функции

MobileNetV2(...): Создаёт архитектуру MobileNetV2.

decode_predictions(...): Декодирует прогноз модели ImageNet.

preprocess_input(...): Предварительно обрабатывает тензор или массив NumPy, кодирующий пакет изображений.