ResNet 系列的网络结构

模型的详情可参考[论文](https://arxiv.org/pdf/1812.01187.pdf) ## API ```python def get_expected_image_width() ``` 返回预处理的图片宽度，也就是224。 ```python def get_expected_image_height() ``` 返回预处理的图片高度，也就是224。 ```python def get_pretrained_images_mean() ``` 返回预处理的图片均值，也就是 \[0.485, 0.456, 0.406\]。 ```python def get_pretrained_images_std() ``` 返回预处理的图片标准差，也就是 \[0.229, 0.224, 0.225\]。 ```python def context(trainable=True, pretrained=True) ``` **参数** * trainable (bool): 计算图的参数是否为可训练的； * pretrained (bool): 是否加载默认的预训练模型。 **返回** * inputs (dict): 计算图的输入，key 为 'image', value 为图片的张量； * outputs (dict): 计算图的输出，key 为 'feature\_map', value为全连接层前面的那个张量。 * context\_prog(fluid.Program): 计算图，用于迁移学习。 ```python def save_inference_model(dirname, model_filename=None, params_filename=None, combined=True) ``` 将模型保存到指定路径。 **参数** * dirname: 存在模型的目录名称 * model_filename: 模型文件名称，默认为\_\_model\_\_ * params_filename: 参数文件名称，默认为\_\_params\_\_(仅当`combined`为True时生效) * combined: 是否将参数保存到统一的一个文件中 ## 代码示例 ```python import paddlehub as hub import cv2 classifier = hub.Module(name="resnet50_vd_10w") input_dict, output_dict, program = classifier.context(trainable=True) ``` ### 查看代码 [PaddleClas](https://github.com/PaddlePaddle/PaddleClas) ### 依赖 paddlepaddle >= 1.6.2 paddlehub >= 1.6.0