# Inception-v4

**Categoria:** CNN · **Código:** [`timm/models/inception_v4.py`](https://github.com/huggingface/pytorch-image-models/blob/main/timm/models/inception_v4.py) · **Arquiteturas:** 1 · **Pesos pré-treinados:** 1 (1 com resultados no ImageNet-1k)

Inception-v4, portado da implementação e dos pesos do TensorFlow.

## Artigos

* [Inception-v4, Inception-ResNet e o impacto das conexões residuais no aprendizado](https://arxiv.org/abs/1602.07261)

## Uso

Veja o [Início rápido](../quickstart) para carregar pesos pré-treinados, pré-processar imagens e fazer fine-tuning, e [Extração de recursos](../feature_extraction) para usar os modelos como backbones.

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

## Suporte à API de modelos

| Recurso | `InceptionV4` |
|---|---|
| [mapas de recursos de `features_only=True`](../model_api#intermediate-features) | ✓ (passos 2, 4, 8, 16, 32) |
| [`forward_intermediates()`](../model_api#intermediate-features) | ✓ |
| [`prune_intermediate_layers()`](../model_api#intermediate-features) | ✓ |
| [Qualquer tamanho de entrada, sem necessidade de alterações](../model_api#input-size) | ✓ |
| [`set_input_size()`](../model_api#input-size) | – |
| [`dynamic_img_size=True`](../model_api#input-size) | – |
| [`set_grad_checkpointing()`](../model_api#training-hooks) | ✗ |
| [Decaimento de LR por camada (`group_matcher()`)](../model_api#training-hooks) | ✓ |
| [`reset_classifier()`](../model_api#classifier) | ✓ |

✓ suportado, ✓ (quadrado) funciona apenas para tamanhos quadrados, ✗ não suportado, – não necessário (o modelo já aceita qualquer tamanho de entrada). Verificado executando cada recurso em um modelo inicializado aleatoriamente (`InceptionV4` com `inception_v4` em 299); espera-se que outras arquiteturas da mesma classe se comportem da mesma forma. Consulte a página [Model API](../model_api) para mais detalhes.

## Arquiteturas

| Arquitetura | Parâmetros (M) | GMACs | Tamanho da entrada | Pesos pré-treinados |
|---|---:|---:|---:|---:|
| `inception_v4` | 42.68 | 12.28 | 299 | 1 |

Os GMACs e as contagens de parâmetros são para o tamanho de entrada e o classificador padrão de cada arquitetura, a partir dos [resultados do benchmark](https://github.com/huggingface/pytorch-image-models/tree/main/results).

## Pesos pré-treinados

Top-1 é a acurácia de validação no ImageNet-1k a partir de [`results-imagenet.csv`](https://github.com/huggingface/pytorch-image-models/blob/main/results/results-imagenet.csv) no tamanho de avaliação listado, - se o peso não tiver resultado no ImageNet-1k (por exemplo, pesos de pré-treinamento ou de imagem-texto). Classes é o tamanho do classificador pré-treinado, nenhum para pesos sem um.

| Peso | Tamanho da entrada | Top-1 (%) | Tamanho da avaliação | Classes | Licença | Hub |
|---|---:|---:|---:|---:|---|---|
| `inception_v4.tf_in1k` | 299 | 80.144 | 299 | 1000 | apache-2.0 | [timm](https://huggingface.co/timm/inception_v4.tf_in1k) |