在過去的版本中，我們已經發布了目標檢測Faster-RCNN、MobileNet-SSD、PyramidBox和場景文字識別CRNN-CTC、OCR Attention共計5個預訓練模型。

近期，在圖像分類領域我們一口氣發布了四個系列共十個預訓練模型，豐富擴充了預訓練模型庫，助力用戶提高構建模型的效率，大大減輕“煉丹”的煩惱。

主要包括：

MobileNet v1

針對亟需在移動端應用深度學習技術的需求，MobileNet v1在存儲空間和能耗低的地方表現優秀，在損失精度很小的情況下，計算量，存儲空間，準確率方面都有明顯提升。

ResNet 系列模型

ResNet創新性的提出了殘差結構，一舉在ILSVRC2015比賽中取得冠軍，top5錯誤率為3.57%。斯坦福大學的Joyce Xu將ResNet稱為「真正重新定義了我們看待神經網絡的方式」的三大架構之一。

在最新發布的PaddlePaddle 預訓練模型包括有ResNet50，ResNet101和ResNet152。

SE_ResNet 系列模型

SE 全稱 Sequeeze-and-Excitation，在ILSVRC 2017 的分類項目中取得 了第一名的成績。在 ImageNet 數據集上將 top-5 錯誤率從原先的最好成績 2.991% 降低到 2.251%。

在最新發布的PaddlePaddle 預訓練模型包括有SE_ResNeXt50_32x4d和SE_ResNeXt101_32x4d。

VGG 系列模型

VGGNet是牛津大學計算機視覺組和DeepMind公司共同研發一種深度卷積網絡，2014年在ILSVRC比賽上獲得了分類項目的第二名和定位項目的第一名。

在最新發布的PaddlePaddle預訓練模型包括有VGG11，VGG13，VGG16，VGG19。

PaddlePaddle復現結果

以上預訓練模型均經過官方測試驗證，在精度上皆達到了應用要求。

您可以在他們的基礎上進行開發，省卻自己訓練參數的過程，具體加載方式參考使用說明書。

【PaddlePaddle預訓練模型使用說明書】

1. 安裝PaddlePaddle和模型庫

在PaddlePaddle的模型庫中已經包含了最新的相關訓練代碼，經過簡單的配置與加載，即可快速部署研發，首先請安裝最新版的PaddlePaddle並且下載PaddlePaddle模型庫：

當模型成功克隆後，您可以在fluid/PaddleCV/image_classification下看到用於訓練的train.py代碼。

2. 加載預訓練模型

使用我們之前在ImageNet數據集上訓練的預訓練模型，可以直接使用相應的結構和權重，將它們應用到您正在面對的問題上。

預訓練模型從哪裏下載呢？首先進入官方模型介紹

下拉到readme頁面的最下方：

可以看到一個Released models的表格。在表格的model一列是模型的名稱，這個名稱是一個超鏈接，鏈接對應的是這個模型的預訓練權重下載地址，點擊模型名稱即可下載相應的預訓練模型。

在train.py文件中，

通過fluid.io.load_vars加載相關預訓練參數。

運行train.py， 通過指定 pretrained_model= "下載好的預訓練模型路徑"，加載相應預訓練模型進行訓練。

例如，加載MobileNet v1預訓練模型進行微調：

您可以更改調整預訓練模型參數，來適應具體工作方向，例如檢測，圖像分類等。

結語

對於想學習算法或者嘗試現有框架的人來說，使用預訓練模型能夠提供很好的幫助。因為時間與計算量方面的諸多限制，不方便隨時從頭開始訓練一個模型，這也正是預訓練模型存在的原因。您可以運用預訓練作為基準來改進現有模型，或者根據它測試自己的模型。

年後我們還會繼續發布幾組新的圖像分類預訓練模型（包括GoogleNet，MobileNetV2，ShuffleNet系列等），敬請期待，也歡迎大家留言告訴我們您最期待的預訓練模型。

圖像分類任務不用冷啟動，PaddlePaddle一口氣發布十大預訓練模型