PaddlePaddle在不断增加官方支持的模型的同时，也在关注预训练模型的丰富度。
在过去的版本中，我们已经发布了目标检测Faster-RCNN、MobileNet-SSD、PyramidBox和场景文字识别CRNN-CTC、OCR Attention共计5个预训练模型。
近期，在图像分类领域我们一口气发布了四个系列共十个预训练模型，丰富扩充了预训练模型库，助力用户提高构建模型的效率，大大减轻“炼丹”的烦恼。
主要包括：
MobileNet v1
针对亟需在移动端应用深度学习技术的需求，MobileNet v1在存储空间和能耗低的地方表现优秀，在损失精度很小的情况下，计算量，存储空间，准确率方面都有明显提升。
ResNet 系列模型
ResNet创新性的提出了残差结构，一举在ILSVRC2015比赛中取得冠军，top5错误率为3.57%。斯坦福大学的Joyce Xu将ResNet称为「真正重新定义了我们看待神经网络的方式」的三大架构之一。
在最新发布的PaddlePaddle 预训练模型包括有ResNet50，ResNet101和ResNet152。
SE_ResNet 系列模型
SE 全称 Sequeeze-and-Excitation，在ILSVRC 2017 的分类项目中取得 了第一名的成绩。在 ImageNet 数据集上将 top-5 错误率从原先的最好成绩 2.991% 降低到 2.251%。
在最新发布的PaddlePaddle 预训练模型包括有SE_ResNeXt50_32x4d和SE_ResNeXt101_32x4d。
VGG 系列模型
VGGNet是牛津大学计算机视觉组和DeepMind公司共同研发一种深度卷积网络，2014年在ILSVRC比赛上获得了分类项目的第二名和定位项目的第一名。
在最新发布的PaddlePaddle预训练模型包括有VGG11，VGG13，VGG16，VGG19。
PaddlePaddle复现结果
以上预训练模型均经过官方测试验证，在精度上皆达到了应用要求。
您可以在他们的基础上进行开发，省却自己训练参数的过程，具体加载方式参考使用说明书。
【PaddlePaddle预训练模型使用说明书】
1. 安装PaddlePaddle和模型库
在PaddlePaddle的模型库中已经包含了最新的相关训练代码，经过简单的配置与加载，即可快速部署研发，首先请安装最新版的PaddlePaddle并且下载PaddlePaddle模型库：
当模型成功克隆后，您可以在fluid/PaddleCV/image_classification下看到用于训练的train.py代码。
2. 加载预训练模型
使用我们之前在ImageNet数据集上训练的预训练模型，可以直接使用相应的结构和权重，将它们应用到您正在面对的问题上。
预训练模型从哪里下载呢？首先进入官方模型介绍
下拉到readme页面的最下方：
可以看到一个Released models的表格。在表格的model一列是模型的名称，这个名称是一个超链接，链接对应的是这个模型的预训练权重下载地址，点击模型名称即可下载相应的预训练模型。
在train.py文件中，
通过fluid.io.load_vars加载相关预训练参数。
运行train.py， 通过指定 pretrained_model= "下载好的预训练模型路径"，加载相应预训练模型进行训练。
例如，加载MobileNet v1预训练模型进行微调：
您可以更改调整预训练模型参数，来适应具体工作方向，例如检测，图像分类等。
结语
对于想学习算法或者尝试现有框架的人来说，使用预训练模型能够提供很好的帮助。因为时间与计算量方面的诸多限制，不方便随时从头开始训练一个模型，这也正是预训练模型存在的原因。您可以运用预训练作为基准来改进现有模型，或者根据它测试自己的模型。
年后我们还会继续发布几组新的图像分类预训练模型（包括GoogleNet，MobileNetV2，ShuffleNet系列等），敬请期待，也欢迎大家留言告诉我们您最期待的预训练模型。
