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

History

  • 20190912: created.

Copyright

keras EfficientNet介绍,在ImageNet任务上涨点明显 | keras efficientnet introduction的更多相关文章

  1. 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 ...

  2. 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 ...

  3. 【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 ...

  4. 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 ...

  5. 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' ...

  6. 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 ...

  7. 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/ ...

  8. 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 ...

  9. 【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

  1. [Go] 利用函数类型实现封装中的回调

    当进行业务逻辑开发的时候,经常要进行封装,封装成独立的类文件,在类文件的属性中预留出函数类型的API 在调用该类文件中某些方法的时候,也根据业务需要调用类属性中的函数, 在主业务中可以传递特定的函数注 ...

  2. October 06th, 2019. Week 41st, Sunday

    Life is very capricious. 生命无常. Is life capricious? Maybe. But we can still make life a little more c ...

  3. localStorage本地存储技术

    localStorage 本地存储技术 本地存储技术,“不是永久的永久存储” 特点: 将数据存储到浏览器当中 存储的数据都是以字符串的形式存储的 和传统的数据库相比: 优点: 操作简单,容易学习 数据 ...

  4. JAVA微信企业付款到零钱(十分钟搞定),附完整DEMO下载

    最近帮朋友做了一个简单的微分销系统,实现从企业付款到零钱分润的功能,简单记录一下微信企业付款到零钱的开发过程, 主要就是按规则封装好请求参数调用微信接口,涉及一些签名校验: A.接口流程 1. 获取用 ...

  5. 用IIS进行部署,发布网页,运行DEMO

    因项目需要,正在学习如何部署IIS服务,并发布网站,发布以后,运行网页,具体步骤如下: 一.IIS的部署 在进行部署前,需要将一些必要的配置选好,如图: 打开选项,进行设置,将箭头部分进行勾选 在wi ...

  6. Spring的常用注解

    Spring框架主要包括IoC和AOP,这两大功能都可以使用注解进行配置. 开发环境:IntelliJ IDEA 2019.2.2Spring Boot版本:2.1.8新建一个名称为demo的Spri ...

  7. LeetCode刷题191120

    博主渣渣一枚,刷刷leetcode给自己瞅瞅,大神们由更好方法还望不吝赐教.题目及解法来自于力扣(LeetCode),传送门. 算法: 给出两个 非空 的链表用来表示两个非负的整数.其中,它们各自的位 ...

  8. MySQL之架构简单分析

    上图为MySQL的简易架构图,给您有一个大概的概念,下面我将为您进行进一步的分析. 连接器: 当连接MySQL数据库时,等待的将是MySQL服务端的连接器:连接器的职责是和客户端建立连接.获取权限.维 ...

  9. USB HOST与 USB OTG的区别及工作原理

    在SmartQ 7上面,同时存在USB HOST与 USB OTG两个接口,我想问一下,这两个接口有什么区别么?我怎么认为HOST属于是多余呢? 麻烦高手解答,感激不尽!!! 转自USB HOST与 ...

  10. 转载:关于STM32硬件I2C读写EEPROM代码实现原理的理解与总结

    http://home.eeworld.com.cn/my/space-uid-716241-blogid-655190.html 一.I2C协议简介 I2C是两线式串行总线,用于连接微控制器及其外围 ...