开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

TypeError：(‘未理解关键字参数：’，‘输入’)来自VGG16的预训练模型的CNN

TypeError：('未理解关键字参数：'，'输入')来自VGG16的预训练模型的CNN是一个错误类型的异常，它表示在使用VGG16预训练模型的卷积神经网络时，传入的关键字参数有误。

VGG16是一种经典的卷积神经网络模型，常用于图像分类任务。它由16层卷积层和全连接层组成，具有较深的网络结构和较大的参数量。在使用VGG16进行图像分类时，通常需要传入输入数据作为参数。

根据错误信息，可以推断出问题出现在传入的关键字参数上，可能是输入参数的格式或命名有误。要解决这个错误，可以检查以下几个方面：

输入参数的格式：VGG16模型要求输入参数为一个四维的张量，通常是形状为(batch_size, height, width, channels)的数据。确保输入参数的维度和形状与模型要求一致。
输入参数的命名：检查传入参数的关键字是否正确，包括大小写和拼写。确保参数名称与模型要求一致。
输入参数的取值范围：有些模型对输入参数的取值范围有限制，例如要求像素值在0到255之间。确保输入参数的取值范围符合模型要求。

对于VGG16预训练模型的CNN，腾讯云提供了丰富的云计算产品和服务，可以用于构建和部署深度学习模型。以下是一些相关的腾讯云产品和产品介绍链接：

腾讯云AI智能图像识别：https://cloud.tencent.com/product/ai-image
腾讯云AI机器学习平台：https://cloud.tencent.com/product/tiia
腾讯云GPU云服务器：https://cloud.tencent.com/product/cvm-gpu
腾讯云容器服务：https://cloud.tencent.com/product/ccs
腾讯云函数计算：https://cloud.tencent.com/product/scf

通过使用这些腾讯云产品，开发者可以轻松构建和部署基于VGG16预训练模型的卷积神经网络，实现图像分类等任务。同时，腾讯云还提供了丰富的文档和技术支持，帮助开发者解决各种云计算和深度学习相关的问题。

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

什么是迁移学习（Transfer Learning）？【精讲+代码实例】

我们一直听过一句话叫，“如果说我看得比别人更远些，那是因为我站在巨人的肩膀上。（If I have seen further, it is by standing on the shoulders of giants.）”。“站在巨人的肩膀上”，不仅能看得更远,还能看到更多。这也用来表达我们要善于学习先辈的经验, 一个人的成功往往还取决于先辈们累积的知识。这句话, 放在机器学习中, 这就是今天要说的迁移学习（transfer learning）。

01

从编程实现角度学习 Faster R-CNN（附极简实现）

Faster R-CNN 的极简实现： github: simple-faster-rcnn-pytorch（http://t.cn/RHCDoPv ）本文插图地址（含五幅高清矢量图）：draw.io（http://t.cn/RQzroe3 ） 1 概述在目标检测领域, Faster R-CNN 表现出了极强的生命力, 虽然是 2015 年的论文（https://arxiv.org/abs/1506.01497），但它至今仍是许多目标检测算法的基础，这在日新月异的深度学习领域十分难得。Faster

05

别磨叽，学完这篇你也是图像识别专家了

图像识别是当今深度学习的主流应用，而Keras是入门最容易、使用最便捷的深度学习框架，所以搞图像识别，你也得强调速度，不能磨叽。本文让你在最短时间内突破五个流行网络结构，迅速达到图像识别技术前沿。

07

10个预训练模型开始你的深度学习（计算机视觉部分）

对于希望学习算法或尝试现有框架的人来说，预训练的模型是一个很好的帮助。由于时间限制或计算资源的限制，不可能总是从头构建模型，这就是为什么存在预训练模型！

02

图像预训练模型的起源解说和使用示例

三十多年来，许多研究人员在图像识别算法和图像数据方面积累了丰富的知识。如果你对图像训练感兴趣但不知道从哪里开始，这篇文章会是一个很好的开始。这篇文章简要介绍了过去的演变，并总结了现在的一些热门话题。

05

十大预训练模型，助力入门深度学习（第1部分 - 计算机视觉）

对于希望运用某个现有框架来解决自己的任务的人来说，预训练模型可以帮你快速实现这一点。通常来说，由于时间限制或硬件水平限制大家往往并不会从头开始构建并训练模型，这也就是预训练模型存在的意义。大家可以使用预训练模型作为基准来改进现有模型，或者针对它测试自己的模型：

04

迁移学习 Transfer Learning

在上次的动画简介中, 我们大概了解了一些迁移学习的原理和为什么要使用迁移学习. 如果用一句话来概括迁移学习, 那务必就是:“为了偷懒, 在训练好了的模型上接着训练其他内容, 充分使用原模型的理解力”.有时候也是为了避免再次花费特别长的时间重复训练大型模型.

01

卷积神经网络VGG16这么简单，为什么没人能说清？

很多人想入门做深度学习，但往往翻遍网络看完一篇又一篇所谓的“入门教程”，paper，包括很多深度学习框架官方给出的案例，给人的感觉真的是从入门到放弃。写教程的作者有很多都是技术大神，但写出的东西真的是把原本简简单单的理论说得晦涩难懂，模凌两可。比如说VGG16，都是摆上从论文里截过来的下面这张图：

01

是时候展示一波花里胡哨了——以图搜图

前段时间分享一个小视频，今天来详细讲解一波如何实现以图搜图，这篇写了好几天，自身能力有限可能没办法写的非常完美，也没有办法把所有点都讲的非常的仔细，但是我都会附上详细的链接，大家有什么不懂的都可以去查一哈，我觉得这个项目还是挺有趣的，最后我还附上了一个视频操作，第一次录视频意外多多，不足之处请大家见谅，如果尝试过后觉得不错的可以帮忙点一波“在看”或者分享朋友圈和群，小编会万分感谢的！！！

02

图像预训练模型的起源解说和使用示例

来源：Deephub Imba本文约3500字，建议阅读14分钟本文文章简要介绍了研究人员在图像识别算法和图像数据方面的演变，并总结了现在的一些热门话题。三十多年来，许多研究人员在图像识别算法和图像数据方面积累了丰富的知识。如果你对图像训练感兴趣但不知道从哪里开始，这篇文章会是一个很好的开始。这篇文章简要介绍了过去的演变，并总结了现在的一些热门话题。 ImageNet 预训练模型迁移学习（热门话题）使用预训练模型识别未知图像 PyTorch ImageNet 的起源在 2000 年代初期，大多数

02

VGG卷积神经网络模型解析

一：VGG介绍与模型结构 VGG全称是Visual Geometry Group属于牛津大学科学工程系，其发布了一些列以VGG开头的卷积网络模型，可以应用在人脸识别、图像分类等方面，分别从VGG16～VGG19。VGG研究卷积网络深度的初衷是想搞清楚卷积网络深度是如何影响大规模图像分类与识别的精度和准确率的，最初是VGG-16号称非常深的卷积网络全称为（GG-Very-Deep-16 CNN），VGG在加深网络层数同时为了避免参数过多，在所有层都采用3x3的小卷积核，卷积层步长被设置为1。VGG的输入被设置

04

再谈迁移学习：微调网络

在《站在巨人的肩膀上：迁移学习》一文中，我们谈到了一种迁移学习方法：将预训练的卷积神经网络作为特征提取器，然后使用一个标准的机器学习分类模型（比如Logistic回归），以所提取的特征进行训练，得到分类器，这个过程相当于用预训练的网络取代上一代的手工特征提取方法。这种迁移学习方法，在较小的数据集（比如17flowers）上也能取得不错的准确率。

04

Pytorch预训练模型以及修改

pytorch中自带几种常用的深度学习网络预训练模型，torchvision.models包中包含alexnet、densenet、inception、resnet、squeezenet、vgg等常用网络结构，并且提供了预训练模型，可通过调用来读取网络结构和预训练模型（模型参数）。往往为了加快学习进度，训练的初期直接加载pretrain模型中预先训练好的参数。加载model如下所示：

03

基于深度学习的自然场景文字检测及端到端的OCR中文文字识别

基于图像分类，在VGG16模型的基础上，训练0、90、180、270度检测的分类模型. 详细代码参考angle/predict.py文件，训练图片8000张，准确率88.23%

04

【Keras】Keras入门指南

在用了一段时间的Keras后感觉真的很爽，所以特意祭出此文与我们公众号的粉丝分享。 Keras是一个非常方便的深度学习框架，它以TensorFlow或Theano为后端。用它可以快速地搭建深度网络，灵活地选取训练参数来进行网路训练。总之就是：灵活+快速！

02

基于转移学习的图像识别

算法该如何分辨这只狗可能属于哪个品种？当然小伙伴们可以训练自己的卷积神经网络来对这张图片进行分类，但是通常情况下我们既没有GPU的计算能力，也没有时间去训练自己的神经网络。但是，全世界的各个研究团队（例如牛津，谷歌，微软）都拥有足够的计算能力，时间和金钱，而且以前可能已经解决过一些类似的问题。我们该如何利用他们已经完成的工作呢？现在来让我们了解一个重要的概念——转移学习。

02

有图又怎样？我有文来斗：表情包文字识别解析

本文主要介绍了如何在社区中实现图片分类和情感识别，以及如何对图像进行特征提取和选择合适的模型来加速训练和识别过程。作者通过对比多种方案，包括使用传统的CNN和RNN模型，以及使用更先进的模型如VGG和ResNet，最终选择使用Dense CNN模型来实现图片分类和情感识别任务。同时，作者还分享了在训练过程中使用的一些技术和方法，包括数据扩增、模型选择和超参数调优等，以提升模型的性能和效率。

00

【深度学习】深度图像检测算法总结与对比

一. R-CNN：Rich feature hierarchies for accurate object detection and semantic segmentation

04

浅谈keras使用预训练模型vgg16分类,损失和准确度不变

细节：使用keras训练一个两类数据，正负比例1：3，在vgg16后添加了几个全链接并初始化了。并且对所有层都允许训练。

03

图像风格迁移实战（附Python实战）

在今天的文章中，我们会建立一个很棒的风格迁移网络。为了做到这一点，我们需要深入地了解 CNN 和卷积层的工作原理。在文章结束时，你将会创建一个风格迁移网络，这个网络能够在保留原始图像的同时将新样式应用到它上面。

05

Fast R-CNN

提出了一种基于区域卷积网络的快速目标检测方法(Fast R-CNN)。Fast R-CNN建立在以前工作的基础上，使用深度卷积网络有效地分类目标建议。与之前的工作相比，Fast R-CNN在提高训练和测试速度的同时，也提高了检测精度。Fast R-CNN训练了非常深的VGG16网络，速度比R-CNN快9倍，测试时速度213被，在PASCAL VOC 2012上实现了更高的mAP。与SPPnet相比，Fast R-CNN训练VGG16快三倍，测试速度快10倍，精度更高。

01

观点 | 如何可视化卷积网络分类图像时关注的焦点

选自hackevolve 作者：Saideep Talari 机器之心编译参与：乾树、思源在我们使用 CNN 进行图片分类时，模型到底关注的是图像的哪个区域？Grad-CAM 利用卷积网络最后一个特征图的信息，并加权对应的梯度而构建模型分类的热力图，通过该热力图，我们可以清楚地了解哪一块区域对于类别是最重要的。你在训练神经网络进行图片分类时，有没有想过网络是否就是像人类感知信息一样去理解图像？这个问题很难回答，因为多数情况下深度神经网络都被视作黑箱。我们喂给它输入数据进而得到输出。整个流程如果出现问题

07

使用深度学习进行分心驾驶检测

https://github.com/Apoorvajasti/Distracted-Driver-Detection

02

使用Keras进行深度学习(二): CNN讲解及实践

前言：现今最主流的处理图像数据的技术当属深度神经网络了，尤其是卷积神经网络CNN尤为出名。本文将通过讲解CNN的介绍以及使用keras搭建CNN常用模型LeNet-5实现对MNist数据集分类，从而使得读者更好的理解CNN。 1.CNN的介绍 CNN是一种自动化提取特征的机器学习模型。首先我们介绍CNN所用到一些基本结构单元： 1.1卷积层：在卷积层中，有一个重要的概念：权值共享。我们通过卷积核与输入进行卷积运算。通过下图可以理解如何进行卷积运算。卷积核从左到右对输入进行扫描，每次滑动1格（步长为1），

04

【文本检测与识别-白皮书-3.1】第三节：算法模型

2014年论文《Rich feature hierarchies for accurate object detection and semantic segmentation Tech report》提出R-CNN模型，即Regions with CNN features。这篇论文可以算是将CNN方法应用到目标检测问题上的开山之作。

03

一文看懂迁移学习：怎样用预训练模型搞定深度学习？

瀚宸编译自 Analytics Vidhya 量子位出品 | 公众号 QbitAI 引言跟传统的监督式机器学习算法相比，深度神经网络目前最大的劣势是什么？贵。尤其是当我们在尝试处理现实生活中诸如图像识别、声音辨识等实际问题的时候。一旦你的模型中包含一些隐藏层时，增添多一层隐藏层将会花费巨大的计算资源。庆幸的是，有一种叫做“迁移学习”的方式，可以使我们在他人训练过的模型基础上进行小改动便可投入使用。在这篇文章中，我将会讲述如何使用预训练模型来加速解决问题的过程。注：这篇文章默认读者对于神经网络和

06

keras doc 10终结篇激活函数回调函数正则项约束项预训练模型

激活函数可以通过设置单独的激活层实现，也可以在构造层对象时通过传递activation参数实现。

03

RepVGG|让你的ConVNet一卷到底，plain网络首次超过80%top1精度

paper: httsp://arxiv.org/abs/2101.03697 code: https://github.com/DingXiaoH/RepVGG 注：公众号后台回复:RepVGG,即可下载上述论文&code&预训练模型。

03

语义分割（Semantic Segmentation）方法「建议收藏」

语义分割是当今计算机视觉领域的关键问题之一。从宏观上看，语义分割是一项高层次的任务，为实现场景的完整理解铺平了道路。场景理解作为一个核心的计算机视觉问题，其重要性在于越来越多的应用程序通过从图像中推断知识来提供营养。其中一些应用包括自动驾驶汽车、人机交互、虚拟现实等，近年来随着深度学习的普及，许多语义分割问题正在采用深层次的结构来解决，最常见的是卷积神经网络，在精度上大大超过了其他方法。以及效率。

02

学界 | 用对抗网络生成训练数据：CMU论文A-Fast-RCNN的Caffe实现

选自Github 作者：王小龙等机器之心编译参与：李泽南最近，卡耐基梅隆大学（CMU）的王小龙等人发表的论文《A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection》引起了很多人的关注。该研究将对抗学习的思路应用在图像识别问题中，通过对抗网络生成遮挡和变形图片样本来训练检测网络，取得了不错的效果。该论文已被 CVPR2017 大会接收。论文链接：http://www.cs.cmu.edu/~xiaolonw/p

05

实时视频上的神经风格迁移（具有完整的可实现代码）

近几年来，经历了计算机视觉在生活中几乎每个角落的应用 - 得益于大量数据和超级动力GPU的可用性，这些GPU已经对卷积神经网络进行了训练和部署（CNN）超级容易。今天在机器学习中最有趣的讨论之一是它如何在未来几十年影响和塑造文化和艺术生产。神经风格迁移是卷积神经网络最具创造性的应用之一。

03

实战 | 源码入门之Faster RCNN

从train.py中的主要函数可以看出，主要的步骤涉及训练数据和测试数据的预处理，网络模型的构建（Faster RCNN），然后就是迭代训练，这也是通用的神经网络搭建和训练的过程。在Faster Rcnn网络模型中主要包含Extractor、RPN和RoIhead三部分。网络中Extractor主要是利用CNN进行特征提取，网络采用的VGG16；RPN是候选区网络，为RoIHead模块提供可能存在目标的候选区域（rois）；RoIHead主要负责rois的分类和微调。整体的框架图如下图所示：

02

使用Python实现图像分类与识别模型

图像分类与识别是计算机视觉中的重要任务，它可以帮助我们自动识别图像中的对象、场景或者特征。在本文中，我们将介绍图像分类与识别的基本原理和常见的实现方法，并使用Python来实现这些模型。

01

语义分割最新算法_nonnegative integers

语义分割是当今计算机视觉领域的关键问题之一。从宏观上看，语义分割是一项高层次的任务，为实现场景的完整理解铺平了道路。场景理解作为一个核心的计算机视觉问题，其重要性在于越来越多的应用程序通过从图像中推断知识来提供营养。其中一些应用包括自动驾驶汽车、人机交互、虚拟现实等，近年来随着深度学习的普及，许多语义分割问题正在采用深层次的结构来解决，最常见的是卷积神经网络，在精度上大大超过了其他方法。以及效率。

03

为何Keras中的CNN是有问题的，如何修复它们？

上个星期我做了一些实验，用了在 CIFAR10 数据集上训练的 VGG16。我需要从零开始训练模型，所以没有使用在 ImageNet 上预训练的版本。

03

深度学习算法优化系列七 | ICCV 2017的一篇模型剪枝论文，也是2019年众多开源剪枝项目的理论基础

这篇文章是ICCV 2017的一篇模型压缩论文，题目为《 Learning Efficient Convolutional Networks through Network Slimming》。2019年有相当多的关于YOLOv3的剪枝开源工程，他们大多数的原理都来自于这篇论文，这篇论文的思想值得仔细品读。论文原文地址和Pytorch开源代码地址见附录。

02

精通 TensorFlow 2.x 计算机视觉：第二部分

在本节中，您将基于在上一节中学到的知识来执行复杂的计算机视觉任务，例如视觉搜索，对象检测和神经样式迁移。您将巩固对神经网络的理解，并使用 TensorFlow 进行许多动手的编码练习。

02

深度学习——目标检测（3）YOLO1SSD

前言：RCNN系列一般都是分为两个步骤，下面介绍one-stage方法，SSD和yolo算法目标检测近年来已经取得了很重要的进展，主流的算法主要分为两个类型：（1）two-stage方法，如R-CNN系算法，其主要思路是先通过启发式方法（selective search）或者CNN网络（RPN)产生一系列稀疏的候选框，然后对这些候选框进行分类与回归，two-stage方法的优势是准确度高；（2）one-stage方法，如Yolo和SSD，其主要思路是均匀地在图片的不同位置进行密集抽样，抽样时可以采用不同尺度和长宽比，然后利用CNN提取特征后直接进行分类与回归，整个过程只需要一步，所以其优势是速度快，但是均匀的密集采样的一个重要缺点是训练比较困难，这主要是因为正样本与负样本（背景）极其不均衡（参见Focal Loss），导致模型准确度稍低。各种方法速度如下：

01

人群密度估计--Leveraging Unlabeled Data for Crowd Counting by Learning to Rank

Leveraging Unlabeled Data for Crowd Counting by Learning to Rank CVPR2018 https://github.com/xialeiliu/CrowdCountingCVPR18

02

PyTorch Trick集锦

Keras有一个简洁的API来查看模型的每一层输出尺寸，这在调试网络时非常有用。现在在PyTorch中也可以实现这个功能。

01

基于OpenCV的棋盘图像识别

我们利用计算机视觉技术和卷积神经网络（CNN）为这个项目创建分类算法，并确定棋子在棋盘上的位置。最终的应用程序会保存整个图像并可视化的表现出来，同时输出棋盘的2D图像以查看结果。

02

FasterRCNN代码解读

之前的文章简要介绍了Faster-RCNN等物体检测的算法，本文将从代码角度详细分析介绍Faster-RCNN的实现。本文使用的代码参考了chenyuntc的实现，代码的位置看这里。需要注意的是，本文使用的框架是Pytorch。

02

fasterrcnn详解_faster RCNN

paper：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks Tensorflow-faster r-cnn github:Tensorflow Faster RCNN for Object Detection

02

为何Keras中的CNN是有问题的，如何修复它们？

上个星期我做了一些实验，用了在 CIFAR10 数据集上训练的 VGG16。我需要从零开始训练模型，所以没有使用在 ImageNet 上预训练的版本。

02

基于计算机视觉的棋盘图像识别

我们利用计算机视觉技术和卷积神经网络（CNN）为这个项目创建分类算法，并确定棋子在棋盘上的位置。最终的应用程序会保存整个图像并可视化的表现出来，同时输出棋盘的2D图像以查看结果。

01

AD分类论文研读（1）

原文链接摘要将cv用于研究需要大量的训练图片，同时需要对深层网络的体系结构进行仔细优化。该研究尝试用转移学习来解决这些问题，使用从大基准数据集组成的自然图像得到的预训练权重来初始化最先进的VGG和Inception结构，使用少量的MRI图像来重新训练全连接层。采用图像熵选择最翔实的切片训练，通过对OASIS MRI数据集的实验，他们发现，在训练规模比现有技术小近10倍的情况下，他们的性能与现有的基于深层学习的方法相当，甚至更好介绍 AD的早期诊断可以通过机器学习自动分析MRI图像来实现。从头开始训练一个网络需要大量的资源并且可能结果还不够好，这时候可以选择使用微调一个深度网络来进行转移学习而不是重新训练的方法可能会更好。该研究使用VGG16和Inception两个流行的CNN架构来进行转移学习。结果表明，尽管架构是在不同的领域进行的训练，但是当智能地选择训练数据时，预训练权值对AD诊断仍然具有很好的泛化能力由于研究的目标是在小训练集上测试转移学习的鲁棒性，因此仅仅随机选择训练数据可能无法为其提供表示MRI足够结构变化的数据集。所以，他们选择通过图像熵提供最大信息量的训练数据。结果表明，通过智能训练选择和转移学习，可以达到与从无到有以最小参数优化训练深层网络相当甚至更好的性能方法 CNN的核心是从输入图像中抽取特征的卷积层，卷积层中的每个节点与空间连接的神经元的小子集相连，为了减少计算的复杂性，一个最大池化层会紧随着卷积层，多对卷积层和池化层之后会跟着一个全连接层，全连接层学习由卷积层抽取出来的特征的非线性关系，最后是一个soft-max层，它将输出归一化到期望的水准因为小的数据集可能会使损失函数陷入local minima，该研究使用转移性学习的方法来尽量规避这种情况，即使用大量相同或不同领域的数据来初始化网络，仅使用训练数据来重新训练最后的全连接层研究中使用两个流行的架构： VGG16

04

《Deeplab V1》论文阅读

同时，我截取Caffe中的deeplabv1中的prototxt的网络结构可视化图：

03

读论文系列：Object Detection ICCV2015 Fast RCNN

Fast RCNN是对RCNN的性能优化版本，在VGG16上，Fast R-CNN训练速度是RCNN的9倍, 测试速度是RCNN213倍；训练速度是SPP-net的3倍，测试速度是SPP-net的3倍，并且达到了更高的准确率，本文为您解读Fast RCNN。 Overview Fast rcnn直接从单张图的feature map中提取RoI对应的feature map，用卷积神经网络做分类，做bounding box regressor，不需要额外磁盘空间，避免重复计算，速度更快，准确率也更高。 Rela

06

Thermal Object Detection using Domain Adaptation through

最近发生的一起自动驾驶车辆致命事故引发了一场关于在自动驾驶传感器套件中使用红外技术以提高鲁棒目标检测可见性的辩论。与激光雷达、雷达和照相机相比，热成像具有探测红外光谱中物体发出的热差的优点。相比之下，激光雷达和相机捕捉在可见光谱，和不利的天气条件可以影响其准确性。热成像可以满足传统成像传感器对图像中目标检测的局限性。提出了一种用于热图像目标检测的区域自适应方法。我们探讨了领域适应的多种概念。首先，利用生成式对抗网络，通过风格一致性将低层特征从可见光谱域转移到红外光谱域。其次，通过转换训练好的可见光光谱模型，采用具有风格一致性的跨域模型进行红外光谱中的目标检测。提出的策略在公开可利用的热图像数据集(FLIR ADAS和KAIST多光谱)上进行评估。我们发现，通过域适应将源域的低层特征适应到目标域，平均平均精度提高了约10%。

01

一文读懂最近流行的CNN架构（附学习资料）

来源：机器学习算法全栈工程师本文长度为4259字，建议阅读6分钟本文为你介绍CNN架构，包括ResNet, AlexNet, VGG, Inception。本文翻译自ResNet, AlexNet, VGG, Inception: Understanding various architectures of Convolutional Networks，原作者保留版权。 http://cv-tricks.com/cnn/understand-resnet-alexnet-vgg-inceptio

05

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭