Tensorflow 为什么Keras模型仅使用imagenet权重实例化？

如果我们查看Keras中可用模型的列表，如图所示，我们会发现几乎所有模型都是用weights='imagenet'实例化的。例如：

model = VGG16(weights='imagenet', include_top=False)

为什么总是使用imagenet？是因为它是基线吗？如果没有，还有哪些其他选择

---

谢谢

Imagenet是图像分类的实际标准。每年举办一次比赛，有1000个类别的数百万张训练图片。imagenet分类竞赛中使用的模型相互比较以衡量性能。因此，它为图像分类模型的好坏提供了一个标准度量。因此，许多常用的迁移学习模型都使用图像的净权重。如果您正在使用转移学习，则可以通过向模型添加其他层来为您的应用程序自定义模型。您不必使用imagenet weighst，但它通常是有益的，因为它可以帮助模型在较少的时间内收敛。我使用它们，但我也将所有层设置为可训练的，这有助于使模型的权重适应您的应用。

Imagenet是图像分类的实际标准。每年举办一次比赛，有1000个类别的数百万张训练图片。imagenet分类竞赛中使用的模型相互比较以衡量性能。因此，它为图像分类模型的好坏提供了一个标准度量。因此，许多常用的迁移学习模型都使用图像的净权重。如果您正在使用转移学习，则可以通过向模型添加其他层来为您的应用程序自定义模型。您不必使用imagenet weighst，但它通常是有益的，因为它可以帮助模型在较少的时间内收敛。我使用它们，但我也将所有层设置为可训练层，这有助于使模型的权重适应您的应用程序。

建议加载一些权重，因为在imagenet architecture上训练的架构将具有关于基本形状的先验知识。然后，后面的层将保持可训练性，以便它能够适应您的数据集。Imagenet是最古老、最多样化的数据集，这就是为什么。也可以将权重加载为“无”。阅读keras模型应用程序的Github文件。建议加载一些权重，因为在imagenet架构上培训的架构将具有基本形状的先验知识。然后，后面的层将保持可训练性，以便它能够适应您的数据集。Imagenet是最古老、最多样化的数据集，这就是为什么。也可以将权重加载为“无”。读取keras模型应用程序的Github文件。