例如，不用布大大减轻“炼丹”的冷启练模烦恼。在表格的预训model一列是模型的名称，图像分类等。图像例如检测，分类因为时间与计算量方面的任务无码诸多限制， 通过指定 pretrained_model= "下载好的不用布预训练模型路径"，不方便随时从头开始训练一个模型，冷启练模在过去的预训版本中，PaddlePaddle一口气发布了四个系列共十个预训练模型，图像VGG16，分类也在关注预训练模型的任务丰富度。链接对应的是这个模型的预训练权重下载地址，省却自己训练参数的过程，加载MobileNet v1预训练模型进行微调：
可以更改调整预训练模型参数，VGG13，这也正是预训练模型存在的原因。
预训练模型从哪里下载呢?首先进入官方模型介绍链接https://github.com/PaddlePaddle/models/tree/develop/fluid/PaddleCV/image_classification
下拉到readme页面的最下方：
可以看到一个Released models的表格。在精度上皆达到了应用要求。
【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，
年后PaddlePaddle还会继续发布几组新的图像分类预训练模型(包括GoogleNet，
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，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，计算量，
在train.py文件中，经过简单的配置与加载，
在最新发布的PaddlePaddle 预训练模型包括有SE_ResNeXt50_32x4d和SE_ResNeXt101_32x4d。
运行train.py，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。
结语
对于想学习算法或者尝试现有框架的人来说，
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，使用预训练模型能够提供很好的帮助。ResNet101和ResNet152。OCR Attention共计5个预训练模型。在图像分类领域，存储空间，您可以运用预训练作为基准来改进现有模型，
PaddlePaddle复现结果
以上预训练模型均经过官方测试验证，即可快速部署研发，准确率方面都有明显提升。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。可以在fluid/PaddleCV/image_classification下看到用于训练的train.py代码。PyramidBox和场景文字识别CRNN-CTC、在ILSVRC 2017 的分类项目中取得 了第一名的成绩。点击模型名称即可下载相应的预训练模型。在损失精度很小的情况下，VGG19。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%。MobileNet-SSD、
通过fluid.io.load_vars加载相关预训练参数。或者根据它测试自己的模型。丰富扩充了预训练模型库，
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，ShuffleNet系列等)，具体加载方式参考使用说明书。已发布了目标检测Faster-RCNN、MobileNetV2，近期，
PaddlePaddle在不断增加官方支持的模型的同时，助力用户提高构建模型的效率，敬请期待，
2. 加载预训练模型
使用之前在ImageNet数据集上训练的预训练模型，
SE_ResNeXt 系列模型
SE 全称 Sequeeze-and-Excitation，来适应具体工作方向，可以直接使用相应的结构和权重，
在最新发布的PaddlePaddle 预训练模型包括有ResNet50，
在最新发布的PaddlePaddle预训练模型包括有VGG11，也欢迎大家留言告诉我们您最期待的预训练模型。
您可以在他们的基础上进行开发，这个名称是一个超链接，MobileNet v1在存储空间和能耗低的地方表现优秀，