keras EfficientNet介绍,在ImageNet任务上涨点明显 | keras efficientnet introduction
本文首发于个人博客https://kezunlin.me/post/88fbc049/,欢迎阅读最新内容!
keras efficientnet introduction
Guide
About EfficientNet Models
compared with resnet50, EfficientNet-B4 improves the top-1 accuracy from 76.3% of ResNet-50 to 82.6% (+6.3%), under similar FLOPS constraint.
Using Pretrained EfficientNet Checkpoints
Keras Models Performance
- The top-k errors were obtained using Keras Applications with the TensorFlow backend on the 2012 ILSVRC ImageNet validation set and may slightly differ from the original ones.
The input size used was 224x224 for all models except NASNetLarge (331x331), InceptionV3 (299x299), InceptionResNetV2 (299x299), Xception (299x299),
EfficientNet-B0 (224x224), EfficientNet-B1 (240x240), EfficientNet-B2 (260x260), EfficientNet-B3 (300x300), EfficientNet-B4 (380x380), EfficientNet-B5 (456x456), EfficientNet-B6 (528x528), and EfficientNet-B7 (600x600).
notice
- Top-1: single center crop, top-1 error
- Top-5: single center crop, top-5 error
- 10-5: ten crops (1 center + 4 corners and those mirrored ones), top-5 error
- Size: rounded the number of parameters when
include_top=True
- Stem: rounded the number of parameters when
include_top=False
Top-1 | Top-5 | 10-5 | Size | Stem | References | |
---|---|---|---|---|---|---|
VGG16 | 28.732 | 9.950 | 8.834 | 138.4M | 14.7M | [paper] [tf-models] |
VGG19 | 28.744 | 10.012 | 8.774 | 143.7M | 20.0M | [paper] [tf-models] |
ResNet50 | 25.072 | 7.940 | 6.828 | 25.6M | 23.6M | [paper] [tf-models] [torch] [caffe] |
ResNet101 | 23.580 | 7.214 | 6.092 | 44.7M | 42.7M | [paper] [tf-models] [torch] [caffe] |
ResNet152 | 23.396 | 6.882 | 5.908 | 60.4M | 58.4M | [paper] [tf-models] [torch] [caffe] |
ResNet50V2 | 24.040 | 6.966 | 5.896 | 25.6M | 23.6M | [paper] [tf-models] [torch] |
ResNet101V2 | 22.766 | 6.184 | 5.158 | 44.7M | 42.6M | [paper] [tf-models] [torch] |
ResNet152V2 | 21.968 | 5.838 | 4.900 | 60.4M | 58.3M | [paper] [tf-models] [torch] |
ResNeXt50 | 22.260 | 6.190 | 5.410 | 25.1M | 23.0M | [paper] [torch] |
ResNeXt101 | 21.270 | 5.706 | 4.842 | 44.3M | 42.3M | [paper] [torch] |
InceptionV3 | 22.102 | 6.280 | 5.038 | 23.9M | 21.8M | [paper] [tf-models] |
InceptionResNetV2 | 19.744 | 4.748 | 3.962 | 55.9M | 54.3M | [paper] [tf-models] |
Xception | 20.994 | 5.548 | 4.738 | 22.9M | 20.9M | [paper] |
MobileNet(alpha=0.25) | 48.418 | 24.208 | 21.196 | 0.5M | 0.2M | [paper] [tf-models] |
MobileNet(alpha=0.50) | 35.708 | 14.376 | 12.180 | 1.3M | 0.8M | [paper] [tf-models] |
MobileNet(alpha=0.75) | 31.588 | 11.758 | 9.878 | 2.6M | 1.8M | [paper] [tf-models] |
MobileNet(alpha=1.0) | 29.576 | 10.496 | 8.774 | 4.3M | 3.2M | [paper] [tf-models] |
MobileNetV2(alpha=0.35) | 39.914 | 17.568 | 15.422 | 1.7M | 0.4M | [paper] [tf-models] |
MobileNetV2(alpha=0.50) | 34.806 | 13.938 | 11.976 | 2.0M | 0.7M | [paper] [tf-models] |
MobileNetV2(alpha=0.75) | 30.468 | 10.824 | 9.188 | 2.7M | 1.4M | [paper] [tf-models] |
MobileNetV2(alpha=1.0) | 28.664 | 9.858 | 8.322 | 3.5M | 2.3M | [paper] [tf-models] |
MobileNetV2(alpha=1.3) | 25.320 | 7.878 | 6.728 | 5.4M | 3.8M | [paper] [tf-models] |
MobileNetV2(alpha=1.4) | 24.770 | 7.578 | 6.518 | 6.2M | 4.4M | [paper] [tf-models] |
DenseNet121 | 25.028 | 7.742 | 6.522 | 8.1M | 7.0M | [paper] [torch] |
DenseNet169 | 23.824 | 6.824 | 5.860 | 14.3M | 12.6M | [paper] [torch] |
DenseNet201 | 22.680 | 6.380 | 5.466 | 20.2M | 18.3M | [paper] [torch] |
NASNetLarge | 17.502 | 3.996 | 3.412 | 93.5M | 84.9M | [paper] [tf-models] |
NASNetMobile | 25.634 | 8.146 | 6.758 | 7.7M | 4.3M | [paper] [tf-models] |
EfficientNet-B0 | 22.810 | 6.508 | 5.858 | 5.3M | 4.0M | [paper] [tf-tpu] |
EfficientNet-B1 | 20.866 | 5.552 | 5.050 | 7.9M | 6.6M | [paper] [tf-tpu] |
EfficientNet-B2 | 19.820 | 5.054 | 4.538 | 9.2M | 7.8M | [paper] [tf-tpu] |
EfficientNet-B3 | 18.422 | 4.324 | 3.902 | 12.3M | 10.8M | [paper] [tf-tpu] |
EfficientNet-B4 | 17.040 | 3.740 | 3.344 | 19.5M | 17.7M | [paper] [tf-tpu] |
EfficientNet-B5 | 16.298 | 3.290 | 3.114 | 30.6M | 28.5M | [paper] [tf-tpu] |
EfficientNet-B6 | 15.918 | 3.102 | 2.916 | 43.3M | 41.0M | [paper] [tf-tpu] |
EfficientNet-B7 | 15.570 | 3.160 | 2.906 | 66.7M | 64.1M | [paper] [tf-tpu] |
Reference
- tf efficientnet
- efficientnet keras pre-trained weights
- Implementation of EfficientNet model. Keras and TensorFlow Keras.
History
- 20190912: created.
Copyright
- Post author: kezunlin
- Post link: https://kezunlin.me/post/88fbc049/
- Copyright Notice: All articles in this blog are licensed under CC BY-NC-SA 3.0 unless stating additionally.
keras EfficientNet介绍,在ImageNet任务上涨点明显 | keras efficientnet introduction的更多相关文章
- Keras(一)Sequential与Model模型、Keras基本结构功能
keras介绍与基本的模型保存 思维导图 1.keras网络结构 2.keras网络配置 3.keras预处理功能 模型的节点信息提取 config = model.get_config() 把mod ...
- 解决 ImportError: cannot import name 'initializations' from 'keras' (C:\Users\admin\AppData\Roaming\Python\Python37\site-packages\keras\__init__.py)
解决 ImportError: cannot import name 'initializations' from 'keras' : [原因剖析] 上述代码用的是 Keras version: '1 ...
- 【Keras篇】---Keras初始,两种模型构造方法,利用keras实现手写数字体识别
一.前述 Keras 适合快速体验 ,keras的设计是把大量内部运算都隐藏了,用户始终可以用theano或tensorflow的语句来写扩展功能并和keras结合使用. 二.安装 Pip insta ...
- 深度学习利器: TensorFlow系统架构及高性能程序设计
2015年11月9日谷歌开源了人工智能平台TensorFlow,同时成为2015年最受关注的开源项目之一.经历了从v0.1到v0.12的12个版本迭代后,谷歌于2017年2月15日发布了TensorF ...
- Keras中图像维度介绍
报错问题: ValueError: Negative dimension size caused by subtracting 5 from 1 for 'conv2d_1/convolution' ...
- 关于keras框架的介绍以及操作使用
Keras 是一个 Python 深度学习框架,可以方便地定义和训练几乎所有类型的深度学习模型.Keras 最开始是为研究人员开发的,其目的在于快速实验.我们可以进入网站主页 - Keras 中文文档 ...
- keras系列︱Application中五款已训练模型、VGG16框架(Sequential式、Model式)解读(二)
引自:http://blog.csdn.net/sinat_26917383/article/details/72859145 中文文档:http://keras-cn.readthedocs.io/ ...
- 深度学习应用系列(二) | 如何使用keras进行迁移学习,以训练和识别自己的图片集
本文的keras后台为tensorflow,介绍如何利用预编译的模型进行迁移学习,以训练和识别自己的图片集. 官网 https://keras.io/applications/ 已经介绍了各个基于Im ...
- 【tf.keras】tf.keras加载AlexNet预训练模型
目录 从 PyTorch 中导出模型参数 第 0 步:配置环境 第 1 步:安装 MMdnn 第 2 步:得到 PyTorch 保存完整结构和参数的模型(pth 文件) 第 3 步:导出 PyTorc ...
随机推荐
- C#的语法----程序结构(1)
接下来的内容是整个C#学习的脉络,它将各个知识点串联了起来,是整个C#的重点,所以篇幅较长. 首先,我们类比一下PLC和C#执行代码的方式,其实不难发现都是顺序扫描,以Main为程序入口,从上到下一行 ...
- java之集合工具类Collections
Collections类简介 java.utils.Collections 是集合工具类,用来对集合进行操作.此类完全由在 collection 上进行操作或返回 collection 的静态方法组成 ...
- JavaScript的函数以及循环和判断
1.什么是函数? 这个函数跟我们数学当中的函数不太一样,我们这个函数是一段定义好的代码,可以循环使用,(这样我们更方便). 2.函数的作用: 提升代码的可复用性,将一定代码进行预定义,需要的时候才触发 ...
- MongoDB自学------(4)MongoDB主从搭建
MongoDB复制原理 mongodb的复制至少需要两个节点.其中一个是主节点,负责处理客户端请求,其余的都是从节点,负责复制主节点上的数据. mongodb各个节点常见的搭配方式为:一主一从.一主多 ...
- 目前下载VS2017你可能会遇到这个坑
可能现在大伙都已经开始使用VS2019进行开发了.VS2019的下载使用也都很简单.由于工作需要,今天要在笔记本上安装VS2017,结果发现,VS2017的下载变得不是那么容易了,官方的下载方式也隐藏 ...
- Java 添加Word目录的2种方法
目录是一种能够快速.有效地帮助读者了解文档或书籍主要内容的方式.在Word中,插入目录首先需要设置相应段落的大纲级别,根据大纲级别来生成目录表.本文中生成目录分2种情况来进行: 1.文档没有设置大纲级 ...
- ASP.NET Core SignalR:基础概述
一.简介 ASP.NET Core SignalR 是一个开源代码库,它简化了向应用添加实时 Web 功能的过程. 实时 Web 功能使服务器端代码能够即时将内容推送到客户端. SignalR 的适用 ...
- Android 在Fragment中修改Activity中的控件
在当前的Fragment中调用getActivity方法获取依附着的那个Activity,然后再用获取到的Activity去findViewById拿到你需要的控件对其操作就行了.
- H5 App实现热更新,不需要重新安装app
直接上代码吧,你竟然搜到了我的文章就应该知道了,为什么要热更新 //app热更新下载 //假定字符串的每节数都在5位以下 function toNum(a) { //也可以这样写 var c=a.sp ...
- ASP.NET Core MVC配置差异(3.0和2.X)
https://www.cnblogs.com/lonelyxmas/p/10934388.html net core 2.x MVC配置 public void ConfigureServices( ...