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
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
True
。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"
。layers.Input()
的输出),用作模型的图像输入。include_top
为 False 时指定。它必须具有精确的 3 个输入通道。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
。include_top
为 True 且未指定 weights
参数时指定。ImageNet 有 1000 个类别。默认为 1000
。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。
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
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
True
。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"
。layers.Input()
的输出),用作模型的图像输入。include_top
为 False 时指定。它必须具有精确的 3 个输入通道。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
。include_top
为 True 且未指定 weights
参数时指定。ImageNet 有 1000 个类别。默认为 1000
。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。
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
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
True
。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"
。layers.Input()
的输出),用作模型的图像输入。include_top
为 False 时指定。它必须具有精确的 3 个输入通道。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
。include_top
为 True 且未指定 weights
参数时指定。ImageNet 有 1000 个类别。默认为 1000
。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。
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
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
True
。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"
。layers.Input()
的输出),用作模型的图像输入。include_top
为 False 时指定。它必须具有精确的 3 个输入通道。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
。include_top
为 True 且未指定 weights
参数时指定。ImageNet 有 1000 个类别。默认为 1000
。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。
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
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
True
。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"
。layers.Input()
的输出),用作模型的图像输入。include_top
为 False 时指定。它必须具有精确的 3 个输入通道。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
。include_top
为 True 且未指定 weights
参数时指定。ImageNet 有 1000 个类别。默认为 1000
。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。