Keras 2 API 文档 / Keras Applications / ConvNeXt Tiny, Small, Base, Large, XLarge

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

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

baselargexlarge 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()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_topFalse 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"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

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

baselargexlarge 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()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_topFalse 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"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

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

baselargexlarge 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()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_topFalse 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"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

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

baselargexlarge 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()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_topFalse 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"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

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

baselargexlarge 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()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_topFalse 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"softmax"。默认为 "softmax"

返回

一个 keras.Model 实例。