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

• A ConvNet for the 2020s (CVPR 2022)

对于图像分类用例，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与微调指南。

base、large 和 xlarge 模型最初在 ImageNet-21k 数据集上预训练，然后又在 ImageNet-1k 数据集上进行了微调。模型的预训练参数是从官方仓库组装的。要了解这些参数如何转换为 TF-Keras 兼容的参数，请参阅此仓库。

注意：每个 TF-Keras 应用都期望特定类型的输入预处理。对于 ConvNeXt，预处理通过 `Normalization` 层包含在模型中。ConvNeXt 模型期望其输入是像素值为 [0-255] 范围的 float 或 uint8 张量。

在实例化 ConvNeXt 模型后调用 `summary()` 方法时，请优先将 `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，仅当 include_top 为 False 时指定。它应该正好有 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个卷积层的 4D 张量输出。
  • avg 表示将全局平均池化应用于最后一个卷积层的输出，因此模型的输出将是一个 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，仅当 `include_top` 为 True 且未指定 `weights` 参数时才指定。1000 是 ImageNet 的类别数。默认为 `1000`。
• classifier_activation：一个 `str` 或可调用对象。用于“顶部”层的激活函数。除非 `include_top=True`，否则将被忽略。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` 只能是 `None` 或 `"softmax"`。默认为 `"softmax"`。

返回

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

• A ConvNet for the 2020s (CVPR 2022)

对于图像分类用例，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与微调指南。

base、large 和 xlarge 模型最初在 ImageNet-21k 数据集上预训练，然后又在 ImageNet-1k 数据集上进行了微调。模型的预训练参数是从官方仓库组装的。要了解这些参数如何转换为 TF-Keras 兼容的参数，请参阅此仓库。

注意：每个 TF-Keras 应用都期望特定类型的输入预处理。对于 ConvNeXt，预处理通过 `Normalization` 层包含在模型中。ConvNeXt 模型期望其输入是像素值为 [0-255] 范围的 float 或 uint8 张量。

在实例化 ConvNeXt 模型后调用 `summary()` 方法时，请优先将 `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，仅当 include_top 为 False 时指定。它应该正好有 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个卷积层的 4D 张量输出。
  • avg 表示将全局平均池化应用于最后一个卷积层的输出，因此模型的输出将是一个 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，仅当 `include_top` 为 True 且未指定 `weights` 参数时才指定。1000 是 ImageNet 的类别数。默认为 `1000`。
• classifier_activation：一个 `str` 或可调用对象。用于“顶部”层的激活函数。除非 `include_top=True`，否则将被忽略。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` 只能是 `None` 或 `"softmax"`。默认为 `"softmax"`。

返回

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

• A ConvNet for the 2020s (CVPR 2022)

对于图像分类用例，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与微调指南。

base、large 和 xlarge 模型最初在 ImageNet-21k 数据集上预训练，然后又在 ImageNet-1k 数据集上进行了微调。模型的预训练参数是从官方仓库组装的。要了解这些参数如何转换为 TF-Keras 兼容的参数，请参阅此仓库。

注意：每个 TF-Keras 应用都期望特定类型的输入预处理。对于 ConvNeXt，预处理通过 `Normalization` 层包含在模型中。ConvNeXt 模型期望其输入是像素值为 [0-255] 范围的 float 或 uint8 张量。

在实例化 ConvNeXt 模型后调用 `summary()` 方法时，请优先将 `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，仅当 include_top 为 False 时指定。它应该正好有 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个卷积层的 4D 张量输出。
  • avg 表示将全局平均池化应用于最后一个卷积层的输出，因此模型的输出将是一个 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，仅当 `include_top` 为 True 且未指定 `weights` 参数时才指定。1000 是 ImageNet 的类别数。默认为 `1000`。
• classifier_activation：一个 `str` 或可调用对象。用于“顶部”层的激活函数。除非 `include_top=True`，否则将被忽略。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` 只能是 `None` 或 `"softmax"`。默认为 `"softmax"`。

返回

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

• A ConvNet for the 2020s (CVPR 2022)

对于图像分类用例，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与微调指南。

base、large 和 xlarge 模型最初在 ImageNet-21k 数据集上预训练，然后又在 ImageNet-1k 数据集上进行了微调。模型的预训练参数是从官方仓库组装的。要了解这些参数如何转换为 TF-Keras 兼容的参数，请参阅此仓库。

注意：每个 TF-Keras 应用都期望特定类型的输入预处理。对于 ConvNeXt，预处理通过 `Normalization` 层包含在模型中。ConvNeXt 模型期望其输入是像素值为 [0-255] 范围的 float 或 uint8 张量。

在实例化 ConvNeXt 模型后调用 `summary()` 方法时，请优先将 `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，仅当 include_top 为 False 时指定。它应该正好有 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个卷积层的 4D 张量输出。
  • avg 表示将全局平均池化应用于最后一个卷积层的输出，因此模型的输出将是一个 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，仅当 `include_top` 为 True 且未指定 `weights` 参数时才指定。1000 是 ImageNet 的类别数。默认为 `1000`。
• classifier_activation：一个 `str` 或可调用对象。用于“顶部”层的激活函数。除非 `include_top=True`，否则将被忽略。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` 只能是 `None` 或 `"softmax"`。默认为 `"softmax"`。

返回

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

• A ConvNet for the 2020s (CVPR 2022)

对于图像分类用例，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与微调指南。

base、large 和 xlarge 模型最初在 ImageNet-21k 数据集上预训练，然后又在 ImageNet-1k 数据集上进行了微调。模型的预训练参数是从官方仓库组装的。要了解这些参数如何转换为 TF-Keras 兼容的参数，请参阅此仓库。

注意：每个 TF-Keras 应用都期望特定类型的输入预处理。对于 ConvNeXt，预处理通过 `Normalization` 层包含在模型中。ConvNeXt 模型期望其输入是像素值为 [0-255] 范围的 float 或 uint8 张量。

在实例化 ConvNeXt 模型后调用 `summary()` 方法时，请优先将 `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，仅当 include_top 为 False 时指定。它应该正好有 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个卷积层的 4D 张量输出。
  • avg 表示将全局平均池化应用于最后一个卷积层的输出，因此模型的输出将是一个 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，仅当 `include_top` 为 True 且未指定 `weights` 参数时才指定。1000 是 ImageNet 的类别数。默认为 `1000`。
• classifier_activation：一个 `str` 或可调用对象。用于“顶部”层的激活函数。除非 `include_top=True`，否则将被忽略。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` 只能是 `None` 或 `"softmax"`。默认为 `"softmax"`。

返回

一个 keras.Model 实例。