ConvNeXt Tiny, Small, Base, Large, XLarge

[源码]

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

• A ConvNet for the 2020s (CVPR 2022)

对于图像分类用例，请参阅此页面获取详细示例。对于迁移学习用例，请务必阅读迁移学习和微调指南。

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。模型的预训练参数从官方仓库中获取。要了解这些参数如何转换为 TF-Keras 兼容参数，请参阅此仓库。

注意：每个 TF-Keras Application 都需要特定类型的输入预处理。对于 ConvNeXt，预处理已通过 Normalization 层包含在模型中。ConvNeXt 模型期望输入是像素值在 [0-255] 范围内的 float 或 uint8 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，以便更好地检查实例化后的模型。

参数

• include_top: 是否在网络顶部包含全连接层。默认为 True。
• weights: 以下之一：None (随机初始化)，"imagenet" (在 ImageNet-1k 上预训练)，或要加载的权重文件的路径。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。它必须具有精确的 3 个输入通道。
• pooling: 可选的池化模式，用于当 include_top 为 False 时进行特征提取。
  • None 表示模型的输出将是最后一个卷积层的 4D 张量输出。
  • avg 表示将对最后一个卷积层的输出应用全局平均池化，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 有 1000 个类别。默认为 1000。
• classifier_activation: str 或可调用对象。用于“顶部”层的激活函数。除非 include_top=True，否则忽略。设置为 classifier_activation=None 将返回“顶部”层的 logits。加载预训练权重时，classifier_activation 只能是 None 或 "softmax"。默认为 "softmax"。

返回

一个 keras.Model 实例。

[源码]

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

• A ConvNet for the 2020s (CVPR 2022)

对于图像分类用例，请参阅此页面获取详细示例。对于迁移学习用例，请务必阅读迁移学习和微调指南。

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。模型的预训练参数从官方仓库中获取。要了解这些参数如何转换为 TF-Keras 兼容参数，请参阅此仓库。

注意：每个 TF-Keras Application 都需要特定类型的输入预处理。对于 ConvNeXt，预处理已通过 Normalization 层包含在模型中。ConvNeXt 模型期望输入是像素值在 [0-255] 范围内的 float 或 uint8 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，以便更好地检查实例化后的模型。

参数

• include_top: 是否在网络顶部包含全连接层。默认为 True。
• weights: 以下之一：None (随机初始化)，"imagenet" (在 ImageNet-1k 上预训练)，或要加载的权重文件的路径。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。它必须具有精确的 3 个输入通道。
• pooling: 可选的池化模式，用于当 include_top 为 False 时进行特征提取。
  • None 表示模型的输出将是最后一个卷积层的 4D 张量输出。
  • avg 表示将对最后一个卷积层的输出应用全局平均池化，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 有 1000 个类别。默认为 1000。
• classifier_activation: str 或可调用对象。用于“顶部”层的激活函数。除非 include_top=True，否则忽略。设置为 classifier_activation=None 将返回“顶部”层的 logits。加载预训练权重时，classifier_activation 只能是 None 或 "softmax"。默认为 "softmax"。

返回

一个 keras.Model 实例。

[源码]

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

• A ConvNet for the 2020s (CVPR 2022)

对于图像分类用例，请参阅此页面获取详细示例。对于迁移学习用例，请务必阅读迁移学习和微调指南。

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。模型的预训练参数从官方仓库中获取。要了解这些参数如何转换为 TF-Keras 兼容参数，请参阅此仓库。

注意：每个 TF-Keras Application 都需要特定类型的输入预处理。对于 ConvNeXt，预处理已通过 Normalization 层包含在模型中。ConvNeXt 模型期望输入是像素值在 [0-255] 范围内的 float 或 uint8 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，以便更好地检查实例化后的模型。

参数

• include_top: 是否在网络顶部包含全连接层。默认为 True。
• weights: 以下之一：None (随机初始化)，"imagenet" (在 ImageNet-1k 上预训练)，或要加载的权重文件的路径。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。它必须具有精确的 3 个输入通道。
• pooling: 可选的池化模式，用于当 include_top 为 False 时进行特征提取。
  • None 表示模型的输出将是最后一个卷积层的 4D 张量输出。
  • avg 表示将对最后一个卷积层的输出应用全局平均池化，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 有 1000 个类别。默认为 1000。
• classifier_activation: str 或可调用对象。用于“顶部”层的激活函数。除非 include_top=True，否则忽略。设置为 classifier_activation=None 将返回“顶部”层的 logits。加载预训练权重时，classifier_activation 只能是 None 或 "softmax"。默认为 "softmax"。

返回

一个 keras.Model 实例。

[源码]

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

• A ConvNet for the 2020s (CVPR 2022)

对于图像分类用例，请参阅此页面获取详细示例。对于迁移学习用例，请务必阅读迁移学习和微调指南。

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。模型的预训练参数从官方仓库中获取。要了解这些参数如何转换为 TF-Keras 兼容参数，请参阅此仓库。

注意：每个 TF-Keras Application 都需要特定类型的输入预处理。对于 ConvNeXt，预处理已通过 Normalization 层包含在模型中。ConvNeXt 模型期望输入是像素值在 [0-255] 范围内的 float 或 uint8 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，以便更好地检查实例化后的模型。

参数

• include_top: 是否在网络顶部包含全连接层。默认为 True。
• weights: 以下之一：None (随机初始化)，"imagenet" (在 ImageNet-1k 上预训练)，或要加载的权重文件的路径。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。它必须具有精确的 3 个输入通道。
• pooling: 可选的池化模式，用于当 include_top 为 False 时进行特征提取。
  • None 表示模型的输出将是最后一个卷积层的 4D 张量输出。
  • avg 表示将对最后一个卷积层的输出应用全局平均池化，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 有 1000 个类别。默认为 1000。
• classifier_activation: str 或可调用对象。用于“顶部”层的激活函数。除非 include_top=True，否则忽略。设置为 classifier_activation=None 将返回“顶部”层的 logits。加载预训练权重时，classifier_activation 只能是 None 或 "softmax"。默认为 "softmax"。

返回

一个 keras.Model 实例。

[源码]

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

• A ConvNet for the 2020s (CVPR 2022)

对于图像分类用例，请参阅此页面获取详细示例。对于迁移学习用例，请务必阅读迁移学习和微调指南。

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。模型的预训练参数从官方仓库中获取。要了解这些参数如何转换为 TF-Keras 兼容参数，请参阅此仓库。

注意：每个 TF-Keras Application 都需要特定类型的输入预处理。对于 ConvNeXt，预处理已通过 Normalization 层包含在模型中。ConvNeXt 模型期望输入是像素值在 [0-255] 范围内的 float 或 uint8 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，以便更好地检查实例化后的模型。

参数

• include_top: 是否在网络顶部包含全连接层。默认为 True。
• weights: 以下之一：None (随机初始化)，"imagenet" (在 ImageNet-1k 上预训练)，或要加载的权重文件的路径。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。它必须具有精确的 3 个输入通道。
• pooling: 可选的池化模式，用于当 include_top 为 False 时进行特征提取。
  • None 表示模型的输出将是最后一个卷积层的 4D 张量输出。
  • avg 表示将对最后一个卷积层的输出应用全局平均池化，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 有 1000 个类别。默认为 1000。
• classifier_activation: str 或可调用对象。用于“顶部”层的激活函数。除非 include_top=True，否则忽略。设置为 classifier_activation=None 将返回“顶部”层的 logits。加载预训练权重时，classifier_activation 只能是 None 或 "softmax"。默认为 "softmax"。

返回

一个 keras.Model 实例。