tensorFlow官方提供的ResNet模型包括ResNet50、ResNet101和ResNet152。那该如何调用？

在TensorFlow中，可以使用tf.keras.applications模块中的ResNet50、ResNet101和ResNet152来调用官方提供的ResNet模型。这些模型都是在大规模图像分类任务中进行了预训练，并且可以直接加载预训练的权重进行使用。以下是一个使用ResNet50进行图像分类的示例代码：

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

# 加载ResNet50模型
model = ResNet50(weights='imagenet')

# 加载测试图像
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)

# 使用模型进行预测
preds = model.predict(x)
print('Predicted:', decode_predictions(preds, top=3)[0])

在上面的代码中，我们首先使用ResNet50模型的预训练权重来初始化一个模型实例。然后，我们加载一个测试图像，对其进行预处理，然后使用模型进行预测。最后，我们输出预测结果的前三个类别。注意，这里使用的是`decode_predictions`函数将模型输出的预测结果转换成易于理解的类别。