资源检索

获取预先训练过的网：

在[1]中：=

输出[1]=

NetModel参数

该模型由一系列单独的网络组成，每个网络由特定的参数组合标识。检查可用参数：

在[2]中：=

输出[2]=

通过指定参数选择非默认网络：

在[3]中：=

输出[3]=

选择一个非默认的未初始化网络：

在[4]中：=

输出[4]=

基本用法

对图像进行分类：

在[5]中：=

输出[5]=

预测是一个实体对象，可以查询：

在[6]中：=

输出[6]=

获取预测的可用属性的列表实体以下为：

在[7]中：=

输出[7]=

获得净预测的10个最可能实体的概率：

在[8]中：=

输出[8]=

ImageNet类列表之外的对象将被错误识别：

在[9]中：=

输出[9]=

获取所有可用类的名称列表：

在[10]中：=

输出[10]=

特征提取

删除训练后的网络的最后两层，以便网络生成图像的矢量表示：

在[11]中：=

输出[11]=

获取一组图像：

在[12]中：=

可视化一组图像的特征：

在[13]中：=

输出[13]=

可视化卷积权重

提取训练网络中第一个卷积层的权重：

在[14]中：=

输出[14]=

在[15]中：=

显示重量的尺寸：

在[16]中：=

输出[16]=

将权重可视化为32张3x3大小图像的列表：

在[17]中：=

输出[17]=

转移学习

使用预训练模型构建分类器来区分摩托车和自行车的图像。创建测试集和培训集：

在[18]中：=

在[19]中：=

从预处理网中去除线性层：

在[20]中：=

输出[20]=

创建一个新的网络，该网络由预处理网络、线性层和softmax层组成：

在[21]中：=

输出[21]=

对数据集进行训练，冻结除“linearNew”层中的权重之外的所有权重（使用目标设备->“GPU”用于在GPU上进行培训）：

在[22]中：=

输出[22]=

在测试集上获得了完美的精度：

在[23]中：=

输出[23]=

净信息

检查网络中所有阵列的参数数量：

在[24]中：=

输出[24]=

获取参数总数：

在[25]中：=

输出[25]=

获取层类型计数：

在[26]中：=

输出[26]=

导出到MXNet

导出将网络转换为可在MXNet中打开的格式：

在[27]中：=

输出[27]=

导出还创建了网络参数包含参数的文件：

在[28]中：=

输出[28]=

获取参数文件的大小：

在[29]中：=

输出[29]=