深度學習模型匯總

模型匯總

利用深度學習研究社區開發的成熟模型架構。主流模型提供了穩健的架構，免去了從零開始設計模型的繁瑣。

選擇模型的訣竅

  • 大小 ：模型需要多少記憶體
    模型最終部署的位置將決定網路大小的重要性。如果選擇部署到低記憶體系統，請選擇專門針對此類任務設計的模型。

    > 查看適合邊緣設備部署的模型

  • 準確度 ：重新訓練前模型的性能如何
    通常情況下，如果一個模型在 ImageNet 資料集上效能良好，就說明該模型已經學習到了有用的特徵，在類似的新任務中也會有良好的效能。

    > 查看準確度較高的模型

  • 預測速度 ：模型針對新影像進行預測速度有多快
    預測速度會因硬體和批次大小等諸多因素而異，但同時也會受所選模型的架構以及模型大小的影響。

    > 使用適合起步的簡單模型比較預測速度

閱讀下文，瞭解各個模型間的利弊權衡。

利用深度學習研究社區開發的成熟模型架構利用深度學習研究社區開發的成熟模型架構

適合起步的簡單模型

這些模型支援您快速反覆運算並嘗試各種設定，如數據預處理步驟和訓練選項。一旦您發現某套設定效果不錯，就可以嘗試換一個更準確的網路，看看它能否改善結果。

利用深度學習研究社區開發的成熟模型架構
瀏覽範例
互動式修改深度學習網路以進行遷移學習

互動式修改深度學習網路以進行遷移學習

 訓練深度學習網路對新影像進行分類

訓練深度學習網路對新影像進行分類

準確度較高的模型

探索能有效執行基於圖像的工作流程的模型，如圖像分類、目標檢測和語義分割。

利用深度學習研究社區開發的成熟模型架構
對於目標偵測工作流程

DarkNet-19、DarkNet-53 和 ResNet-50 經常用作目標偵測問題和 YOLO 工作流程的基礎。查看使用 Yolov2 和 Yolov3 進行目標偵測的範例。


對於語義分割工作流程

要訓練語義分割網路，預定義的網路架構會是一個便捷的起點。以下是語義分割問題中常用的層架構。

查看此處，瞭解如何使用 Deeplab v3+建立語義分割網路。

適合邊緣設備部署的模型

在 Raspberry Pi 或 FPGA 等低計算、低功耗設備上進行部署時，模型的記憶體使用必須要小。

適合邊緣設備部署的模型
查看相關主題
int8 量化簡介及其廣泛運用於深度神經網路的原因

int8 量化簡介及其廣泛運用於深度神經網路的原因
查看相關主題
轉出深度學習網路的程式碼

轉出深度學習網路的程式碼

 為使用 U-net 的語義分割網路轉程式碼

為使用 U-net 的語義分割網路轉程式碼

來自其他框架的模型

需要來自其他框架的模型？使用 ONNX、TensorFlow-Keras 和 Caffe 匯入器將任意網路匯入 MATLAB。

瀏覽範例
尚未支援？

瞭解如何匯入預訓練的 Keras 架構層，並用自訂層替換尚未支援的層。

瞭解更多
新的深度學習模型和範例