► Keras 2 API 文档 / Keras 应用 / ConvNeXt Tiny、Small、Base、Large、XLarge

ConvNeXt Tiny、Small、Base、Large、XLarge

[源代码]

ConvNeXtTiny 函数

tf_keras.applications.ConvNeXtTiny(
    model_name="convnext_tiny",
    include_top=True,
    include_preprocessing=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
)

实例化 ConvNeXtTiny 架构。

参考文献

有关图像分类用例，请参阅此页面以获取详细示例。有关迁移学习用例，请务必阅读迁移学习和微调指南。

base、large 和 xlarge 模型首先在 ImageNet-21k 数据集上进行预训练，然后在 ImageNet-1k 数据集上进行微调。模型的预训练参数来自官方存储库。要了解这些参数如何转换为与 TF-Keras 兼容的参数，请参阅此存储库。

注意：每个 TF-Keras 应用都期望特定类型的输入预处理。对于 ConvNeXt，预处理使用 Normalization 层包含在模型中。ConvNeXt 模型期望其输入为像素值为 [0-255] 范围内的浮点或 uint8 类型的张量。

在实例化 ConvNeXt 模型后调用 summary() 方法时，最好将 summary() 的 expand_nested 参数设置为 True 以更好地调查实例化的模型。

参数

  • include_top：是否包含网络顶部的全连接层。默认为 True。
  • weights：None（随机初始化）、"imagenet"（在 ImageNet-1k 上进行预训练）或要加载的权重文件的路径之一。默认为 "imagenet"。
  • input_tensor：可选的 TF-Keras 张量（即 layers.Input() 的输出），用作模型的图像输入。
  • input_shape：可选的形状元组，仅在 include_top 为 False 时指定。它应该恰好有 3 个输入通道。
  • pooling：当 include_top 为 False 时，用于特征提取的可选池化模式。
    • None 表示模型的输出将是最后一层卷积层的 4D 张量输出。
    • avg 表示全局平均池化将应用于最后一层卷积层的输出，因此模型的输出将是 2D 张量。
    • max 表示将应用全局最大池化。默认为 None。
  • classes：可选的图像分类类别数，仅在 include_top 为 True 且未指定 weights 参数时指定。ImageNet 类别数为 1000。默认为 1000。
  • classifier_activation：str 或可调用对象。要对“顶部”层使用的激活函数。除非 include_top=True，否则会被忽略。将 classifier_activation 设置为 None 以返回“顶部”层的 logits。加载预训练权重时，classifier_activation 只能为 None 或 "softmax"。默认为 "softmax"。

返回值

一个keras.Model 实例。

[源代码]

ConvNeXtSmall 函数

tf_keras.applications.ConvNeXtSmall(
    model_name="convnext_small",
    include_top=True,
    include_preprocessing=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
)

实例化 ConvNeXtSmall 架构。

参考文献

有关图像分类用例，请参阅此页面以获取详细示例。有关迁移学习用例，请务必阅读迁移学习和微调指南。

base、large 和 xlarge 模型首先在 ImageNet-21k 数据集上进行预训练，然后在 ImageNet-1k 数据集上进行微调。模型的预训练参数来自官方存储库。要了解这些参数如何转换为与 TF-Keras 兼容的参数，请参阅此存储库。

注意：每个 TF-Keras 应用都期望特定类型的输入预处理。对于 ConvNeXt，预处理使用 Normalization 层包含在模型中。ConvNeXt 模型期望其输入为像素值为 [0-255] 范围内的浮点或 uint8 类型的张量。

在实例化 ConvNeXt 模型后调用 summary() 方法时，最好将 summary() 的 expand_nested 参数设置为 True 以更好地调查实例化的模型。

参数

  • include_top：是否包含网络顶部的全连接层。默认为 True。
  • weights：None（随机初始化）、"imagenet"（在 ImageNet-1k 上进行预训练）或要加载的权重文件的路径之一。默认为 "imagenet"。
  • input_tensor：可选的 TF-Keras 张量（即 layers.Input() 的输出），用作模型的图像输入。
  • input_shape：可选的形状元组，仅在 include_top 为 False 时指定。它应该恰好有 3 个输入通道。
  • pooling：当 include_top 为 False 时，用于特征提取的可选池化模式。
    • None 表示模型的输出将是最后一层卷积层的 4D 张量输出。
    • avg 表示全局平均池化将应用于最后一层卷积层的输出，因此模型的输出将是 2D 张量。
    • max 表示将应用全局最大池化。默认为 None。
  • classes：可选的图像分类类别数，仅在 include_top 为 True 且未指定 weights 参数时指定。ImageNet 类别数为 1000。默认为 1000。
  • classifier_activation：str 或可调用对象。要对“顶部”层使用的激活函数。除非 include_top=True，否则会被忽略。将 classifier_activation 设置为 None 以返回“顶部”层的 logits。加载预训练权重时，classifier_activation 只能为 None 或 "softmax"。默认为 "softmax"。

返回值

一个keras.Model 实例。

[源代码]

ConvNeXtBase 函数

tf_keras.applications.ConvNeXtBase(
    model_name="convnext_base",
    include_top=True,
    include_preprocessing=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
)

实例化 ConvNeXtBase 架构。

参考文献

有关图像分类用例，请参阅此页面以获取详细示例。有关迁移学习用例，请务必阅读迁移学习和微调指南。

base、large 和 xlarge 模型首先在 ImageNet-21k 数据集上进行预训练，然后在 ImageNet-1k 数据集上进行微调。模型的预训练参数来自官方存储库。要了解这些参数如何转换为与 TF-Keras 兼容的参数，请参阅此存储库。

注意：每个 TF-Keras 应用都期望特定类型的输入预处理。对于 ConvNeXt，预处理使用 Normalization 层包含在模型中。ConvNeXt 模型期望其输入为像素值为 [0-255] 范围内的浮点或 uint8 类型的张量。

在实例化 ConvNeXt 模型后调用 summary() 方法时，最好将 summary() 的 expand_nested 参数设置为 True 以更好地调查实例化的模型。

参数

  • include_top：是否包含网络顶部的全连接层。默认为 True。
  • weights：None（随机初始化）、"imagenet"（在 ImageNet-1k 上进行预训练）或要加载的权重文件的路径之一。默认为 "imagenet"。
  • input_tensor：可选的 TF-Keras 张量（即 layers.Input() 的输出），用作模型的图像输入。
  • input_shape：可选的形状元组，仅在 include_top 为 False 时指定。它应该恰好有 3 个输入通道。
  • pooling：当 include_top 为 False 时，用于特征提取的可选池化模式。
    • None 表示模型的输出将是最后一层卷积层的 4D 张量输出。
    • avg 表示全局平均池化将应用于最后一层卷积层的输出，因此模型的输出将是 2D 张量。
    • max 表示将应用全局最大池化。默认为 None。
  • classes：可选的图像分类类别数，仅在 include_top 为 True 且未指定 weights 参数时指定。ImageNet 类别数为 1000。默认为 1000。
  • classifier_activation：str 或可调用对象。要对“顶部”层使用的激活函数。除非 include_top=True，否则会被忽略。将 classifier_activation 设置为 None 以返回“顶部”层的 logits。加载预训练权重时，classifier_activation 只能为 None 或 "softmax"。默认为 "softmax"。

返回值

一个keras.Model 实例。

[源代码]

ConvNeXtLarge 函数

tf_keras.applications.ConvNeXtLarge(
    model_name="convnext_large",
    include_top=True,
    include_preprocessing=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
)

实例化 ConvNeXtLarge 架构。

参考文献

有关图像分类用例，请参阅此页面以获取详细示例。有关迁移学习用例，请务必阅读迁移学习和微调指南。

base、large 和 xlarge 模型首先在 ImageNet-21k 数据集上进行预训练，然后在 ImageNet-1k 数据集上进行微调。模型的预训练参数来自官方存储库。要了解这些参数如何转换为与 TF-Keras 兼容的参数，请参阅此存储库。

注意：每个 TF-Keras 应用都期望特定类型的输入预处理。对于 ConvNeXt，预处理使用 Normalization 层包含在模型中。ConvNeXt 模型期望其输入为像素值为 [0-255] 范围内的浮点或 uint8 类型的张量。

在实例化 ConvNeXt 模型后调用 summary() 方法时，最好将 summary() 的 expand_nested 参数设置为 True 以更好地调查实例化的模型。

参数

  • include_top：是否包含网络顶部的全连接层。默认为 True。
  • weights：None（随机初始化）、"imagenet"（在 ImageNet-1k 上进行预训练）或要加载的权重文件的路径之一。默认为 "imagenet"。
  • input_tensor：可选的 TF-Keras 张量（即 layers.Input() 的输出），用作模型的图像输入。
  • input_shape：可选的形状元组，仅在 include_top 为 False 时指定。它应该恰好有 3 个输入通道。
  • pooling：当 include_top 为 False 时，用于特征提取的可选池化模式。
    • None 表示模型的输出将是最后一层卷积层的 4D 张量输出。
    • avg 表示全局平均池化将应用于最后一层卷积层的输出，因此模型的输出将是 2D 张量。
    • max 表示将应用全局最大池化。默认为 None。
  • classes：可选的图像分类类别数，仅在 include_top 为 True 且未指定 weights 参数时指定。ImageNet 类别数为 1000。默认为 1000。
  • classifier_activation：str 或可调用对象。要对“顶部”层使用的激活函数。除非 include_top=True，否则会被忽略。将 classifier_activation 设置为 None 以返回“顶部”层的 logits。加载预训练权重时，classifier_activation 只能为 None 或 "softmax"。默认为 "softmax"。

返回值

一个keras.Model 实例。

[源代码]

ConvNeXtXLarge 函数

tf_keras.applications.ConvNeXtXLarge(
    model_name="convnext_xlarge",
    include_top=True,
    include_preprocessing=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
)

实例化 ConvNeXtXLarge 架构。

参考文献

有关图像分类用例，请参阅此页面以获取详细示例。有关迁移学习用例，请务必阅读迁移学习和微调指南。

base、large 和 xlarge 模型首先在 ImageNet-21k 数据集上进行预训练，然后在 ImageNet-1k 数据集上进行微调。模型的预训练参数来自官方存储库。要了解这些参数如何转换为与 TF-Keras 兼容的参数，请参阅此存储库。

注意：每个 TF-Keras 应用都期望特定类型的输入预处理。对于 ConvNeXt，预处理使用 Normalization 层包含在模型中。ConvNeXt 模型期望其输入为像素值为 [0-255] 范围内的浮点或 uint8 类型的张量。

在实例化 ConvNeXt 模型后调用 summary() 方法时，最好将 summary() 的 expand_nested 参数设置为 True 以更好地调查实例化的模型。

参数

  • include_top：是否包含网络顶部的全连接层。默认为 True。
  • weights：None（随机初始化）、"imagenet"（在 ImageNet-1k 上进行预训练）或要加载的权重文件的路径之一。默认为 "imagenet"。
  • input_tensor：可选的 TF-Keras 张量（即 layers.Input() 的输出），用作模型的图像输入。
  • input_shape：可选的形状元组，仅在 include_top 为 False 时指定。它应该恰好有 3 个输入通道。
  • pooling：当 include_top 为 False 时，用于特征提取的可选池化模式。
    • None 表示模型的输出将是最后一层卷积层的 4D 张量输出。
    • avg 表示全局平均池化将应用于最后一层卷积层的输出，因此模型的输出将是 2D 张量。
    • max 表示将应用全局最大池化。默认为 None。
  • classes：可选的图像分类类别数，仅在 include_top 为 True 且未指定 weights 参数时指定。ImageNet 类别数为 1000。默认为 1000。
  • classifier_activation：str 或可调用对象。要对“顶部”层使用的激活函数。除非 include_top=True，否则会被忽略。将 classifier_activation 设置为 None 以返回“顶部”层的 logits。加载预训练权重时，classifier_activation 只能为 None 或 "softmax"。默认为 "softmax"。

返回值

一个keras.Model 实例。

ConvNeXt Tiny、Small、Base、Large、XLarge
ConvNeXtTiny 函数
ConvNeXtSmall 函数
ConvNeXtBase 函数
ConvNeXtLarge 函数
ConvNeXtXLarge 函数