TensorFlow、PyTorch提供許多預先訓練好的模型(Pre-trained Model)，他們大多是近幾年影像辨識競賽中的冠、亞軍模型，我們可以直接套用，也可以接上自訂的神經層，進行其他物件的辨識，這就是所謂的轉移學習(Transfer Learning)或譯為遷移學習。

 

Keras收錄許多預先訓練的模型，稱為Keras Applications，可參閱官網(https://keras.io/api/applications/)，這些預先訓練的模型主要應用在圖像辨識，各模型結構的複雜度和準確率有所差異，下圖是各模型的比較。

應用這些預先訓練的模型，有三種方式：

  1. 採用完整的模型，可辨識ImageNet所提供1000種物件。
  2. 採用部分的模型，只萃取特徵，不作辨識，例如比對圖像的相似性，並不需要辨識圖像的內容，或者根據萃取的特徵重建圖像，可過濾雜訊或生成圖像，譬如風格轉換、GAN等。
  3. 採用部分的模型，並接上自訂的輸入層和辨識層(Dense)，即可辨識這1000種以外的物件。

 

相關應用可參閱『深度學習最佳入門邁向AI專題實戰』一書說明。