ResNet 和 ResNetV2

[源代码]

ResNet50 函数

tf_keras.applications.ResNet50(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    **kwargs
)

实例化 ResNet50 架构。

参考文献

• 用于图像识别的深度残差学习 (CVPR 2015)

有关图像分类用例，请参阅 此页面以获取详细示例。

对于迁移学习用例，请务必阅读 迁移学习和微调指南。

注意：每个 TF-Keras 应用都期望特定类型的输入预处理。对于 ResNet，在将其传递给模型之前，请对您的输入调用 tf.keras.applications.resnet.preprocess_input。resnet.preprocess_input 会将输入图像从 RGB 转换为 BGR，然后根据 ImageNet 数据集对每个颜色通道进行零中心化，而不会进行缩放。

参数

• include_top：是否包含网络顶部的全连接层。
• weights：None（随机初始化）、'imagenet'（在 ImageNet 上预训练）或要加载的权重文件的路径之一。
• 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（否则输入形状必须为 (224, 224, 3)（使用 'channels_last' 数据格式）或 (3, 224, 224)（使用 'channels_first' 数据格式）。它应该恰好有 3 个输入通道，并且宽度和高度不应小于 32。例如，(200, 200, 3) 是一个有效值。
• 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个卷积块的 4D 张量输出。
  • avg 表示全局平均池化将应用于最后一个卷积块的输出，因此模型的输出将是 2D 张量。
  • max 表示全局最大池化将被应用。
• classes：可选的分类图像的类别数，仅在 include_top 为 True 且未指定 weights 参数时指定。
• classifier_activation：一个 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"。

返回值

一个 TF-Keras 模型实例。

[源代码]

ResNet101 函数

tf_keras.applications.ResNet101(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    **kwargs
)

实例化 ResNet101 架构。

参考文献

• 用于图像识别的深度残差学习 (CVPR 2015)

有关图像分类用例，请参阅 此页面以获取详细示例。

对于迁移学习用例，请务必阅读 迁移学习和微调指南。

注意：每个 TF-Keras 应用都期望特定类型的输入预处理。对于 ResNet，在将其传递给模型之前，请对您的输入调用 tf.keras.applications.resnet.preprocess_input。resnet.preprocess_input 会将输入图像从 RGB 转换为 BGR，然后根据 ImageNet 数据集对每个颜色通道进行零中心化，而不会进行缩放。

参数

• include_top：是否包含网络顶部的全连接层。
• weights：None（随机初始化）、'imagenet'（在 ImageNet 上预训练）或要加载的权重文件的路径之一。
• 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（否则输入形状必须为 (224, 224, 3)（使用 'channels_last' 数据格式）或 (3, 224, 224)（使用 'channels_first' 数据格式）。它应该恰好有 3 个输入通道，并且宽度和高度不应小于 32。例如，(200, 200, 3) 是一个有效值。
• 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个卷积块的 4D 张量输出。
  • avg 表示全局平均池化将应用于最后一个卷积块的输出，因此模型的输出将是 2D 张量。
  • max 表示全局最大池化将被应用。
• classes：可选的分类图像的类别数，仅在 include_top 为 True 且未指定 weights 参数时指定。
• classifier_activation：一个 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"。

返回值

一个 TF-Keras 模型实例。

[源代码]

ResNet152 函数

tf_keras.applications.ResNet152(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    **kwargs
)

实例化 ResNet152 架构。

参考文献

• 用于图像识别的深度残差学习 (CVPR 2015)

有关图像分类用例，请参阅 此页面以获取详细示例。

对于迁移学习用例，请务必阅读 迁移学习和微调指南。

注意：每个 TF-Keras 应用都期望特定类型的输入预处理。对于 ResNet，在将其传递给模型之前，请对您的输入调用 tf.keras.applications.resnet.preprocess_input。resnet.preprocess_input 会将输入图像从 RGB 转换为 BGR，然后根据 ImageNet 数据集对每个颜色通道进行零中心化，而不会进行缩放。

参数

• include_top：是否包含网络顶部的全连接层。
• weights：None（随机初始化）、'imagenet'（在 ImageNet 上预训练）或要加载的权重文件的路径之一。
• 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（否则输入形状必须为 (224, 224, 3)（使用 'channels_last' 数据格式）或 (3, 224, 224)（使用 'channels_first' 数据格式）。它应该恰好有 3 个输入通道，并且宽度和高度不应小于 32。例如，(200, 200, 3) 是一个有效值。
• 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个卷积块的 4D 张量输出。
  • avg 表示全局平均池化将应用于最后一个卷积块的输出，因此模型的输出将是 2D 张量。
  • max 表示全局最大池化将被应用。
• classes：可选的分类图像的类别数，仅在 include_top 为 True 且未指定 weights 参数时指定。
• classifier_activation：一个 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"。

返回值

一个 TF-Keras 模型实例。

[源代码]

ResNet50V2 函数

tf_keras.applications.ResNet50V2(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
)

实例化 ResNet50V2 架构。

参考文献

• 深度残差网络中的恒等映射 (CVPR 2016)

有关图像分类用例，请参阅 此页面以获取详细示例。

对于迁移学习用例，请务必阅读 迁移学习和微调指南。

注意：每个 TF-Keras 应用都期望特定类型的输入预处理。对于 ResNetV2，在将其传递给模型之前，请对您的输入调用 tf.keras.applications.resnet_v2.preprocess_input。resnet_v2.preprocess_input 会将输入像素缩放至 -1 到 1 之间。

参数

• include_top：是否包含网络顶部的全连接层。
• weights：None（随机初始化）、'imagenet'（在 ImageNet 上预训练）或要加载的权重文件的路径之一。
• 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（否则输入形状必须为 (224, 224, 3)（使用 'channels_last' 数据格式）或 (3, 224, 224)（使用 'channels_first' 数据格式）。它应该恰好有 3 个输入通道，并且宽度和高度不应小于 32。例如，(200, 200, 3) 是一个有效值。
• 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个卷积块的 4D 张量输出。
  • avg 表示全局平均池化将应用于最后一个卷积块的输出，因此模型的输出将是 2D 张量。
  • max 表示全局最大池化将被应用。
• classes：可选的分类图像的类别数，仅在 include_top 为 True 且未指定 weights 参数时指定。
• classifier_activation：一个 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"。

返回值

一个 keras.Model 实例。

[源代码]

ResNet101V2 函数

tf_keras.applications.ResNet101V2(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
)

实例化 ResNet101V2 架构。

参考文献

• 深度残差网络中的恒等映射 (CVPR 2016)

有关图像分类用例，请参阅 此页面以获取详细示例。

对于迁移学习用例，请务必阅读 迁移学习和微调指南。

注意：每个 TF-Keras 应用都期望特定类型的输入预处理。对于 ResNetV2，在将其传递给模型之前，请对您的输入调用 tf.keras.applications.resnet_v2.preprocess_input。resnet_v2.preprocess_input 会将输入像素缩放至 -1 到 1 之间。

参数

• include_top：是否包含网络顶部的全连接层。
• weights：None（随机初始化）、'imagenet'（在 ImageNet 上预训练）或要加载的权重文件的路径之一。
• 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（否则输入形状必须为 (224, 224, 3)（使用 'channels_last' 数据格式）或 (3, 224, 224)（使用 'channels_first' 数据格式）。它应该恰好有 3 个输入通道，并且宽度和高度不应小于 32。例如，(200, 200, 3) 是一个有效值。
• 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个卷积块的 4D 张量输出。
  • avg 表示全局平均池化将应用于最后一个卷积块的输出，因此模型的输出将是 2D 张量。
  • max 表示全局最大池化将被应用。
• classes：可选的分类图像的类别数，仅在 include_top 为 True 且未指定 weights 参数时指定。
• classifier_activation：一个 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"。

返回值

一个 keras.Model 实例。

[源代码]

ResNet152V2 函数

tf_keras.applications.ResNet152V2(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
)

实例化 ResNet152V2 架构。

参考文献

• 深度残差网络中的恒等映射 (CVPR 2016)

有关图像分类用例，请参阅 此页面以获取详细示例。

对于迁移学习用例，请务必阅读 迁移学习和微调指南。

注意：每个 TF-Keras 应用都期望特定类型的输入预处理。对于 ResNetV2，在将其传递给模型之前，请对您的输入调用 tf.keras.applications.resnet_v2.preprocess_input。resnet_v2.preprocess_input 会将输入像素缩放至 -1 到 1 之间。

参数

• include_top：是否包含网络顶部的全连接层。
• weights：None（随机初始化）、'imagenet'（在 ImageNet 上预训练）或要加载的权重文件的路径之一。
• 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（否则输入形状必须为 (224, 224, 3)（使用 'channels_last' 数据格式）或 (3, 224, 224)（使用 'channels_first' 数据格式）。它应该恰好有 3 个输入通道，并且宽度和高度不应小于 32。例如，(200, 200, 3) 是一个有效值。
• 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个卷积块的 4D 张量输出。
  • avg 表示全局平均池化将应用于最后一个卷积块的输出，因此模型的输出将是 2D 张量。
  • max 表示全局最大池化将被应用。
• classes：可选的分类图像的类别数，仅在 include_top 为 True 且未指定 weights 参数时指定。
• classifier_activation：一个 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"。

返回值

一个 keras.Model 实例。