Keras 的应用模块（keras.applications）提供了带有预训练权值的深度学习模型，这些模型可以用来进行预测、特征提取和微调（fine-tuning）。

当你初始化一个预训练模型时，会自动下载权重到 ~/.keras/models/ 目录下。

可用的模型

在 ImageNet 上预训练过的用于图像分类的模型：

• Xception
• VGG16
• VGG19
• ResNet, ResNetV2
• InceptionV3
• InceptionResNetV2
• MobileNet
• MobileNetV2
• DenseNet
• NASNet

所有的这些架构都兼容所有的后端 (TensorFlow, Theano 和 CNTK)，并且会在实例化时，根据 Keras 配置文件〜/.keras/keras.json 中设置的图像数据格式构建模型。举个例子，如果你设置 image_data_format=channels_last，则加载的模型将按照 TensorFlow 的维度顺序来构造，即「高度-宽度-深度」(Height-Width-Depth) 的顺序。

注意：

• 对于 Keras < 2.2.0，Xception 模型仅适用于 TensorFlow，因为它依赖于 SeparableConvolution 层。
• 对于 Keras < 2.1.5，MobileNet 模型仅适用于 TensorFlow，因为它依赖于 DepthwiseConvolution 层。

图像分类模型的使用示例

使用 ResNet50 进行 ImageNet 分类

from keras.applications.resnet50 import ResNet50
from keras.preprocessing import image
from keras.applications.resnet50 import preprocess_input, decode_predictions
import numpy as np

model = ResNet50(weights='imagenet')

img_path = 'elephant.jpg'
img = image.load_img(img_path, target_size=(224, 224))
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)
x = preprocess_input(x)

preds = model.predict(x)
# 将结果解码为元组列表 (class, description, probability)
# (一个列表代表批次中的一个样本）
print('Predicted:', decode_predictions(preds, top=3)[0])
# Predicted: [(u'n02504013', u'Indian_elephant', 0.82658225), (u'n01871265', u'tusker', 0.1122357), (u'n02504458', u'African_elephant', 0.061040461)]

使用 VGG16 提取特征

from keras.applications.vgg16 import VGG16
from keras.preprocessing import image
from keras.applications.vgg16 import preprocess_input
import numpy as np

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

img_path = 'elephant.jpg'
img = image.load_img(img_path, target_size=(224, 224))
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)
x = preprocess_input(x)

features = model.predict(x)

从VGG19 的任意中间层中抽取特征

from keras.applications.vgg19 import VGG19
from keras.preprocessing import image
from keras.applications.vgg19 import preprocess_input
from keras.models import Model
import numpy as np

base_model = VGG19(weights='imagenet')
model = Model(inputs=base_model.input, outputs=base_model.get_layer('block4_pool').output)

img_path = 'elephant.jpg'
img = image.load_img(img_path, target_size=(224, 224))
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)
x = preprocess_input(x)

block4_pool_features = model.predict(x)

在新类上微调 InceptionV3

from keras.applications.inception_v3 import InceptionV3
from keras.preprocessing import image
from keras.models import Model
from keras.layers import Dense, GlobalAveragePooling2D
from keras import backend as K

# 构建不带分类器的预训练模型
base_model = InceptionV3(weights='imagenet', include_top=False)

# 添加全局平均池化层
x = base_model.output
x = GlobalAveragePooling2D()(x)

# 添加一个全连接层
x = Dense(1024, activation='relu')(x)

# 添加一个分类器，假设我们有200个类
predictions = Dense(200, activation='softmax')(x)

# 构建我们需要训练的完整模型
model = Model(inputs=base_model.input, outputs=predictions)

# 首先，我们只训练顶部的几层（随机初始化的层）
# 锁住所有 InceptionV3 的卷积层
for layer in base_model.layers:
    layer.trainable = False

# 编译模型（一定要在锁层以后操作）
model.compile(optimizer='rmsprop', loss='categorical_crossentropy')

# 在新的数据集上训练几代
model.fit_generator(...)

# 现在顶层应该训练好了，让我们开始微调 Inception V3 的卷积层。
# 我们会锁住底下的几层，然后训练其余的顶层。

# 让我们看看每一层的名字和层号，看看我们应该锁多少层呢：
for i, layer in enumerate(base_model.layers):
   print(i, layer.name)

# 我们选择训练最上面的两个 Inception block
# 也就是说锁住前面249层，然后放开之后的层。
for layer in model.layers[:249]:
   layer.trainable = False
for layer in model.layers[249:]:
   layer.trainable = True

# 我们需要重新编译模型，才能使上面的修改生效
# 让我们设置一个很低的学习率，使用 SGD 来微调
from keras.optimizers import SGD
model.compile(optimizer=SGD(lr=0.0001, momentum=0.9), loss='categorical_crossentropy')

# 我们继续训练模型，这次我们训练最后两个 Inception block
# 和两个全连接层
model.fit_generator(...)

通过自定义输入张量构建 InceptionV3

from keras.applications.inception_v3 import InceptionV3
from keras.layers import Input

# 这也可能是不同的 Keras 模型或层的输出
input_tensor = Input(shape=(224, 224, 3))  # 假定 K.image_data_format() == 'channels_last'

model = InceptionV3(input_tensor=input_tensor, weights='imagenet', include_top=True)

模型概览

Top-1 准确率和 Top-5 准确率都是在 ImageNet 验证集上的结果。

Depth 表示网络的拓扑深度。这包括激活层，批标准化层等。

Xception

keras.applications.xception.Xception(include_top=True, weights='imagenet', input_tensor=None, input_shape=None, pooling=None, classes=1000)

在 ImageNet 上预训练的 Xception V1 模型。

在 ImageNet 上，该模型取得了验证集 top1 0.790 和 top5 0.945 的准确率。

该模型可同时构建于 channels_first (通道，高度，宽度) 和 channels_last（高度，宽度，通道）两种输入维度顺序。

模型默认输入尺寸是 299×299。

参数

• include_top: 是否包括顶层的全连接层。
• weights: None 代表随机初始化， 'imagenet' 代表加载在 ImageNet 上预训练的权值。
• input_tensor: 可选，Keras tensor 作为模型的输入（即 layers.Input() 输出的 tensor）。
• input_shape: 可选，输入尺寸元组，仅当 include_top=False 时有效（否则输入形状必须是 (299, 299, 3)，因为预训练模型是以这个大小训练的）。它必须拥有 3 个输入通道，且宽高必须不小于 71。例如 (150, 150, 3) 是一个合法的输入尺寸。
• pooling: 可选，当 include_top 为 False 时，该参数指定了特征提取时的池化方式。
  • None 代表不池化，直接输出最后一层卷积块的输出，该输出是一个 4D 张量。
  • 'avg' 代表全局平均池化（GlobalAveragePooling2D），相当于在最后一层卷积块后面再加一层全局平均池化层，输出是一个 2D 张量。
  • 'max' 代表全局最大池化。
• classes: 可选，图片分类的类别数，仅当 include_top 为 True 并且不加载预训练权值时可用。

返回

一个 Keras Model 对象。

参考文献

• Xception: Deep Learning with Depthwise Separable Convolutions

License

预训练权值由我们自己训练而来，基于 MIT license 发布。

VGG16

keras.applications.vgg16.VGG16(include_top=True, weights='imagenet', input_tensor=None, input_shape=None, pooling=None, classes=1000)

VGG16 模型，权值由 ImageNet 训练而来。

该模型可同时构建于 channels_first (通道，高度，宽度) 和 channels_last （高度，宽度，通道）两种输入维度顺序。

模型默认输入尺寸是 224×224。

参数

• include_top: 是否包括顶层的全连接层。
• weights: None 代表随机初始化， 'imagenet' 代表加载在 ImageNet 上预训练的权值。
• input_tensor: 可选，Keras tensor 作为模型的输入（即 layers.Input() 输出的 tensor）。
• input_shape: 可选，输入尺寸元组，仅当 include_top=False 时有效，否则输入形状必须是 (224, 224, 3)（对于 channels_last 数据格式），或者 (3, 224, 224)（对于 channels_first 数据格式）。它必须拥有 3 个输入通道，且宽高必须不小于 32。例如 (200, 200, 3) 是一个合法的输入尺寸。
• pooling: 可选，当 include_top 为 False 时，该参数指定了特征提取时的池化方式。
  • None 代表不池化，直接输出最后一层卷积块的输出，该输出是一个 4D 张量。
  • 'avg' 代表全局平均池化（GlobalAveragePooling2D），相当于在最后一层卷积块后面再加一层全局平均池化层，输出是一个二维张量。
  • 'max' 代表全局最大池化。
• classes: 可选，图片分类的类别数，仅当 include_top 为 True 并且不加载预训练权值时可用。

返回

一个 Keras Model 对象。

参考文献

• Very Deep Convolutional Networks for Large-Scale Image Recognition：如果在研究中使用了VGG，请引用该论文。

License

预训练权值由 VGG at Oxford 发布的预训练权值移植而来，基于 Creative Commons Attribution License。

VGG19

keras.applications.vgg19.VGG19(include_top=True, weights='imagenet', input_tensor=None, input_shape=None, pooling=None, classes=1000)

VGG19 模型，权值由 ImageNet 训练而来。

该模型可同时构建于 channels_first (通道，高度，宽度) 和 channels_last（高度，宽度，通道）两种输入维度顺序。

模型默认输入尺寸是 224×224。

参数

• include_top: 是否包括顶层的全连接层。
• weights: None 代表随机初始化， 'imagenet' 代表加载在 ImageNet 上预训练的权值。
• input_tensor: 可选，Keras tensor 作为模型的输入（即 layers.Input() 输出的 tensor）。
• input_shape: 可选，输入尺寸元组，仅当 include_top=False 时有效，否则输入形状必须是 (224, 224, 3)（对于 channels_last 数据格式），或者 (3, 224, 224)（对于 channels_first 数据格式）。它必须拥有 3 个输入通道，且宽高必须不小于 32。例如 (200, 200, 3) 是一个合法的输入尺寸。
• pooling: 可选，当 include_top 为 False 时，该参数指定了特征提取时的池化方式。
  • None 代表不池化，直接输出最后一层卷积层的输出，该输出是一个四维张量。
  • 'avg' 代表全局平均池化（GlobalAveragePooling2D），相当于在最后一层卷积层后面再加一层全局平均池化层，输出是一个二维张量。
  • 'max' 代表全局最大池化
• classes: 可选，图片分类的类别数，仅当 include_top 为 True 并且不加载预训练权值时可用。

返回

一个 Keras Model 对象。

参考文献

• Very Deep Convolutional Networks for Large-Scale Image Recognition：如果在研究中使用了VGG，请引用该论文。

License

预训练权值由 VGG at Oxford 发布的预训练权值移植而来，基于 Creative Commons Attribution License。

ResNet

keras.applications.resnet.ResNet50(include_top=True, weights='imagenet', input_tensor=None, input_shape=None, pooling=None, classes=1000)
keras.applications.resnet.ResNet101(include_top=True, weights='imagenet', input_tensor=None, input_shape=None, pooling=None, classes=1000)
keras.applications.resnet.ResNet152(include_top=True, weights='imagenet', input_tensor=None, input_shape=None, pooling=None, classes=1000)
keras.applications.resnet_v2.ResNet50V2(include_top=True, weights='imagenet', input_tensor=None, input_shape=None, pooling=None, classes=1000)
keras.applications.resnet_v2.ResNet101V2(include_top=True, weights='imagenet', input_tensor=None, input_shape=None, pooling=None, classes=1000)
keras.applications.resnet_v2.ResNet152V2(include_top=True, weights='imagenet', input_tensor=None, input_shape=None, pooling=None, classes=1000)

ResNet, ResNetV2 模型，权值由 ImageNet 训练而来。

该模型可同时构建于 channels_first (通道，高度，宽度) 和 channels_last（高度，宽度，通道）两种输入维度顺序。

模型默认输入尺寸是 224×224。

参数

• include_top: 是否包括顶层的全连接层。
• weights: None 代表随机初始化， 'imagenet' 代表加载在 ImageNet 上预训练的权值。
• input_tensor: 可选，Keras tensor 作为模型的输入（即 layers.Input() 输出的 tensor）。
• input_shape: 可选，输入尺寸元组，仅当 include_top=False 时有效，否则输入形状必须是 (224, 224, 3)（对于 channels_last 数据格式），或者 (3, 224, 224)（对于 channels_first 数据格式）。它必须拥有 3 个输入通道，且宽高必须不小于 32。例如 (200, 200, 3) 是一个合法的输入尺寸。
• pooling: 可选，当 include_top 为 False 时，该参数指定了特征提取时的池化方式。
  • None 代表不池化，直接输出最后一层卷积块的输出，该输出是一个 4D 张量。
  • 'avg' 代表全局平均池化（GlobalAveragePooling2D），相当于在最后一层卷积块后面再加一层全局平均池化层，输出是一个二维张量。
  • 'max' 代表全局最大池化
• classes: 可选，图片分类的类别数，仅当 include_top 为 True 并且不加载预训练权值时可用。

返回

一个 Keras Model 对象。

参考文献

• ResNet: Deep Residual Learning for Image Recognition
• ResNetV2: Identity Mappings in Deep Residual Networks

License

预训练权值由以下提供：

• ResNet: The original repository of Kaiming He under the MIT license.
• ResNetV2: Facebook under the BSD license.

InceptionV3

keras.applications.inception_v3.InceptionV3(include_top=True, weights='imagenet', input_tensor=None, input_shape=None, pooling=None, classes=1000)

Inception V3 模型，权值由 ImageNet 训练而来。

该模型可同时构建于 channels_first (通道，高度，宽度) 和 channels_last（高度，宽度，通道）两种输入维度顺序。

模型默认输入尺寸是 299×299。

参数

• include_top: 是否包括顶层的全连接层。
• weights: None 代表随机初始化， 'imagenet' 代表加载在 ImageNet 上预训练的权值。
• input_tensor: 可选，Keras tensor 作为模型的输入（即 layers.Input() 输出的 tensor）。
• input_shape: 可选，输入尺寸元组，仅当 include_top=False 时有效，否则输入形状必须是 (299, 299, 3)（对于 channels_last 数据格式），或者 (3, 299, 299)（对于 channels_first 数据格式）。它必须拥有 3 个输入通道，且宽高必须不小于 139。例如 (150, 150, 3) 是一个合法的输入尺寸。
• pooling: 可选，当 include_top 为 False 时，该参数指定了特征提取时的池化方式。
  • None 代表不池化，直接输出最后一层卷积块的输出，该输出是一个 4D 张量。
  • 'avg' 代表全局平均池化（GlobalAveragePooling2D），相当于在最后一层卷积块后面再加一层全局平均池化层，输出是一个二维张量。
  • 'max' 代表全局最大池化。
• classes: 可选，图片分类的类别数，仅当 include_top 为 True 并且不加载预训练权值时可用。

返回

一个 Keras Model 对象。

参考文献

• Rethinking the Inception Architecture for Computer Vision

License

预训练权值基于 Apache License。

InceptionResNetV2

keras.applications.inception_resnet_v2.InceptionResNetV2(include_top=True, weights='imagenet', input_tensor=None, input_shape=None, pooling=None, classes=1000)

Inception-ResNet V2 模型，权值由 ImageNet 训练而来。

该模型可同时构建于 channels_first (通道，高度，宽度) 和 channels_last（高度，宽度，通道）两种输入维度顺序。

模型默认输入尺寸是 299×299。

参数

• include_top: 是否包括顶层的全连接层。
• weights: None 代表随机初始化， 'imagenet' 代表加载在 ImageNet 上预训练的权值。
• input_tensor: 可选，Keras tensor 作为模型的输入（即 layers.Input() 输出的 tensor）。
• input_shape: 可选，输入尺寸元组，仅当 include_top=False 时有效，否则输入形状必须是 (299, 299, 3)（对于 channels_last 数据格式），或者 (3, 299, 299)（对于 channels_first 数据格式）。它必须拥有 3 个输入通道，且宽高必须不小于 139。例如 (150, 150, 3) 是一个合法的输入尺寸。
• pooling: 可选，当 include_top 为 False 时，该参数指定了特征提取时的池化方式。
  • None 代表不池化，直接输出最后一层卷积块的输出，该输出是一个 4D 张量。
  • 'avg' 代表全局平均池化（GlobalAveragePooling2D），相当于在最后一层卷积块后面再加一层全局平均池化层，输出是一个二维张量。
  • 'max' 代表全局最大池化
• classes: 可选，图片分类的类别数，仅当 include_top 为 True 并且不加载预训练权值时可用。

返回

一个 Keras Model 对象。

参考文献

• Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning

License

预训练权值基于 Apache License。

MobileNet

keras.applications.mobilenet.MobileNet(input_shape=None, alpha=1.0, depth_multiplier=1, dropout=1e-3, include_top=True, weights='imagenet', input_tensor=None, pooling=None, classes=1000)

在 ImageNet 上预训练的 MobileNet 模型。

该模型可同时构建于 channels_first (通道，高度，宽度) 和 channels_last（高度，宽度，通道）两种输入维度顺序。

模型默认输入尺寸是 224×224。

参数

• input_shape: 可选，输入尺寸元组，仅当 include_top=False 时有效，否则输入形状必须是 (224, 224, 3)（channels_last 格式）或 (3, 224, 224)（channels_first 格式）。它必须为 3 个输入通道，且宽高必须不小于 32，比如 (200, 200, 3) 是一个合法的输入尺寸。
• alpha: 控制网络的宽度：
  • 如果 alpha < 1.0，则同比例减少每层的滤波器个数。
  • 如果 alpha > 1.0，则同比例增加每层的滤波器个数。
  • 如果 alpha = 1，使用论文默认的滤波器个数
• depth_multiplier: depthwise卷积的深度乘子，也称为（分辨率乘子）
• dropout: dropout 概率
• include_top: 是否包括顶层的全连接层。
• weights: None 代表随机初始化， 'imagenet' 代表加载在 ImageNet 上预训练的权值。
• input_tensor: 可选，Keras tensor 作为模型的输入（比如 layers.Input() 输出的 tensor）。
• pooling: 可选，当 include_top 为 False 时，该参数指定了特征提取时的池化方式。
  • None 代表不池化，直接输出最后一层卷积块的输出，该输出是一个 4D 张量。
  • 'avg' 代表全局平均池化（GlobalAveragePooling2D），相当于在最后一层卷积块后面再加一层全局平均池化层，输出是一个二维张量。
  • 'max' 代表全局最大池化
• classes: 可选，图片分类的类别数，仅当 include_top 为 True 并且不加载预训练权值时可用。

返回

一个 Keras Model 对象。

参考文献

• MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications

License

预训练权值基于 Apache License。

DenseNet

keras.applications.densenet.DenseNet121(include_top=True, weights='imagenet', input_tensor=None, input_shape=None, pooling=None, classes=1000)
keras.applications.densenet.DenseNet169(include_top=True, weights='imagenet', input_tensor=None, input_shape=None, pooling=None, classes=1000)
keras.applications.densenet.DenseNet201(include_top=True, weights='imagenet', input_tensor=None, input_shape=None, pooling=None, classes=1000)

在 ImageNet 上预训练的 DenseNet 模型。

该模型可同时构建于 channels_first (通道，高度，宽度) 和 channels_last（高度，宽度，通道）两种输入维度顺序。

模型默认输入尺寸是 224×224。

参数

• blocks: 四个 Dense Layers 的 block 数量。
• include_top: 是否包括顶层的全连接层。
• weights: None 代表随机初始化， 'imagenet' 代表加载在 ImageNet 上预训练的权值。
• input_tensor: 可选，Keras tensor 作为模型的输入（比如 layers.Input() 输出的 tensor）。
• input_shape: 可选，输入尺寸元组，仅当 include_top=False 时有效（不然输入形状必须是 (224, 224, 3) （channels_last 格式）或 (3, 224, 224) （channels_first 格式），因为预训练模型是以这个大小训练的）。它必须为 3 个输入通道，且宽高必须不小于 32，比如 (200, 200, 3) 是一个合法的输入尺寸。
• pooling: 可选，当 include_top 为 False 时，该参数指定了特征提取时的池化方式。
  • None 代表不池化，直接输出最后一层卷积层的输出，该输出是一个四维张量。
  • 'avg' 代表全局平均池化（GlobalAveragePooling2D），相当于在最后一层卷积层后面再加一层全局平均池化层，输出是一个二维张量。
  • 'max' 代表全局最大池化.
• classes: 可选，图片分类的类别数，仅当 include_top 为 True 并且不加载预训练权值时可用。

返回

一个 Keras Model 对象。

参考文献

• Densely Connected Convolutional Networks (CVPR 2017 Best Paper Award)

Licence

预训练权值基于 BSD 3-clause License。

NASNet

keras.applications.nasnet.NASNetLarge(input_shape=None, include_top=True, weights='imagenet', input_tensor=None, pooling=None, classes=1000)
keras.applications.nasnet.NASNetMobile(input_shape=None, include_top=True, weights='imagenet', input_tensor=None, pooling=None, classes=1000)

在 ImageNet 上预训练的神经结构搜索网络模型（NASNet）。

NASNetLarge 模型默认的输入尺寸是 331×331，NASNetMobile 模型默认的输入尺寸是 224×224。

参数

• input_shape: 可选，输入尺寸元组，仅当 include_top=False 时有效，否则对于 NASNetMobile 模型来说，输入形状必须是 (224, 224, 3)（channels_last 格式）或 (3, 224, 224)（channels_first 格式），对于 NASNetLarge 来说，输入形状必须是 (331, 331, 3) （channels_last 格式）或 (3, 331, 331)（channels_first 格式）。它必须为 3 个输入通道，且宽高必须不小于 32，比如 (200, 200, 3) 是一个合法的输入尺寸。
• include_top: 是否包括顶层的全连接层。
• weights: None 代表随机初始化， 'imagenet' 代表加载在 ImageNet 上预训练的权值。
• input_tensor: 可选，Keras tensor 作为模型的输入（比如 layers.Input() 输出的 tensor）。
• pooling: 可选，当 include_top 为 False 时，该参数指定了特征提取时的池化方式。
  • None 代表不池化，直接输出最后一层卷积层的输出，该输出是一个四维张量。
  • 'avg' 代表全局平均池化（GlobalAveragePooling2D），相当于在最后一层卷积层后面再加一层全局平均池化层，输出是一个二维张量。
  • 'max' 代表全局最大池化
• classes: 可选，图片分类的类别数，仅当 include_top 为 True 并且不加载预训练权值时可用。

返回

一个 Keras Model 实例。

参考文献

• Learning Transferable Architectures for Scalable Image Recognition

License

预训练权值基于 Apache License。

MobileNetV2

keras.applications.mobilenet_v2.MobileNetV2(input_shape=None, alpha=1.0, include_top=True, weights='imagenet', input_tensor=None, pooling=None, classes=1000)

在 ImageNet 上预训练的 MobileNetV2 模型。

该模型可同时构建于 channels_first (通道，高度，宽度) 和 channels_last（高度，宽度，通道）两种输入维度顺序。

模型默认输出尺寸为 224×224。

参数

• input_shape: 可选尺寸元组，以确认你是否想使用一个输入图像像素不为 (224, 224, 3) 的模型。输入形状必须是 (224, 224, 3)。你也可以忽略这个选项，如果你像从 input_tensor来推断 input_shape。如果你选择同时包含 input_tensor 和 input_shape，那么如果匹配的话会使用 input_shape，如果不匹配会抛出错误。例如，(160, 160, 3) 是一个有效的值。
• alpha: 控制网络的宽度。这在 MobileNetV2 论文中被称作宽度乘子。
  • 如果 alpha < 1.0，则同比例减少每层的滤波器个数。
  • 如果 alpha > 1.0，则同比例增加每层的滤波器个数。
  • 如果 alpha = 1，使用论文默认的滤波器个数。
• depth_multiplier: depthwise 卷积的深度乘子，也称为（分辨率乘子）
• include_top: 是否包括顶层的全连接层。
• weights: None 代表随机初始化，'imagenet' 代表加载在 ImageNet 上预训练的权值。
• input_tensor: 可选，Keras tensor 作为模型的输入（即 layers.Input() 输出的 tensor）。
• pooling: 可选，当 include_top 为 False 时，该参数指定了特征提取时的池化方式。
  • None 代表不池化，直接输出最后一层卷积块的输出，该输出是一个 4D 张量。
  • 'avg' 代表全局平均池化（GlobalAveragePooling2D），相当于在最后一层卷积块后面再加一层全局平均池化层，输出是一个二维张量。
  • 'max' 代表全局最大池化。
• classes: 可选，图片分类的类别数，仅当 include_top 为 True 并且不加载预训练权值时可用。

返回

一个 Keras model 实例。

异常

ValueError: 如果 weights 参数非法，或非法的输入尺寸，或者当 weights=’imagenet’ 时，非法的 alpha, rows。

参考文献

• MobileNetV2: Inverted Residuals and Linear Bottlenecks

License

预训练权值基于 Apache License.