Inception-v4

Kategori: CNN · Kode: timm/models/inception_v4.py · Arsitektur: 1 · Bobot pralatih: 1 (1 dengan hasil ImageNet-1k)

Inception-v4, dipindahkan dari implementasi dan bobot TensorFlow.

Makalah

Inception-v4, Inception-ResNet dan Dampak Koneksi Residual terhadap Pembelajaran

Penggunaan

Lihat Quickstart untuk memuat bobot terlatih, prapemrosesan gambar, dan penyesuaian halus, serta Ekstraksi Fitur untuk menggunakan model sebagai tulang punggung.

>>> import timm
>>> model = timm.create_model('inception_v4.tf_in1k', pretrained=True)
>>> data_config = timm.data.resolve_model_data_config(model)

Dukungan API Model

Fitur	`InceptionV4`
feature maps `features_only=True`	✓ (strides 2, 4, 8, 16, 32)
`forward_intermediates()`	✓
`prune_intermediate_layers()`	✓
Ukuran input apa pun, tidak perlu perubahan	✓
`set_input_size()`	–
`dynamic_img_size=True`	–
`set_grad_checkpointing()`	✗
Penurunan LR per lapisan (`group_matcher()`)	✓
`reset_classifier()`	✓

✓ didukung, ✓ (persegi) hanya berfungsi untuk ukuran persegi, ✗ tidak didukung, – tidak diperlukan (model sudah menerima ukuran input apa pun). Diperiksa dengan menjalankan setiap fitur pada model yang diinisialisasi secara acak (InceptionV4 dengan inception_v4 pada 299), arsitektur lain dari kelas yang sama diharapkan berperilaku sama. Lihat halaman Model API untuk detailnya.

Arsitektur

Arsitektur	Parameter (M)	GMACs	Ukuran input	Bobot terlatih
`inception_v4`	42.68	12.28	299	1

GMACs dan jumlah parameter adalah untuk ukuran input dan klasifer default dari setiap arsitektur, dari hasil benchmark.

Bobot terlatih

Top-1 adalah akurasi validasi ImageNet-1k dari results-imagenet.csv pada ukuran eval yang tercantum, - jika bobot tidak memiliki hasil ImageNet-1k (misalnya bobot pretraining atau image-text). Classes adalah ukuran dari classifier pretrained, none untuk bobot yang tidak memilikinya.

Bobot	Ukuran input	Top-1 (%)	Ukuran evaluasi	Kelas	Lisensi	Hub
`inception_v4.tf_in1k`	299	80.144	299	1000	apache-2.0	timm

Update on GitHub