DenseNet

[源代码]

DenseNet121 函数

tf_keras.applications.DenseNet121(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
)

实例化 Densenet121 架构。

参考

• Densely Connected Convolutional Networks (CVPR 2017)

可以选择加载在 ImageNet 上预训练的权重。请注意，模型使用的数据格式约定由您在 ~/.keras/keras.json 的 TF-Keras 配置中指定。

注意：每个 TF-Keras 应用都期望特定类型的输入预处理。对于 DenseNet，在将输入传递给模型之前，请调用 tf.keras.applications.densenet.preprocess_input。

参数

• include_top：是否在网络的顶部包含全连接层。
• 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，只有在 include_top 为 False 时才应指定（否则输入形状必须是 (224, 224, 3)（使用 'channels_last' 数据格式）或 (3, 224, 224)（使用 'channels_first' 数据格式）。它应该有正好 3 个输入通道，宽度和高度应不小于 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 表示将对最后一个卷积块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。
• classes：可选的要将图像分类到的类数，仅当 include_top 为 True 且未指定 weights 参数时才可指定。
• 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=None 设置为返回“顶部”层的 logits。加载预训练权重时，classifier_activation 只能是 None 或 "softmax"。

返回

一个 TF-Keras 模型实例。

[源代码]

DenseNet169 函数

tf_keras.applications.DenseNet169(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
)

实例化 Densenet169 架构。

参考

• Densely Connected Convolutional Networks (CVPR 2017)

可以选择加载在 ImageNet 上预训练的权重。请注意，模型使用的数据格式约定由您在 ~/.keras/keras.json 的 TF-Keras 配置中指定。

注意：每个 TF-Keras 应用都期望特定类型的输入预处理。对于 DenseNet，在将输入传递给模型之前，请调用 tf.keras.applications.densenet.preprocess_input。

参数

• include_top：是否在网络的顶部包含全连接层。
• 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，只有在 include_top 为 False 时才应指定（否则输入形状必须是 (224, 224, 3)（使用 'channels_last' 数据格式）或 (3, 224, 224)（使用 'channels_first' 数据格式）。它应该有正好 3 个输入通道，宽度和高度应不小于 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 表示将对最后一个卷积块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。
• classes：可选的要将图像分类到的类数，仅当 include_top 为 True 且未指定 weights 参数时才可指定。
• 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=None 设置为返回“顶部”层的 logits。加载预训练权重时，classifier_activation 只能是 None 或 "softmax"。

返回

一个 TF-Keras 模型实例。

[源代码]

DenseNet201 函数

tf_keras.applications.DenseNet201(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
)

实例化 Densenet201 架构。

参考

• Densely Connected Convolutional Networks (CVPR 2017)

可以选择加载在 ImageNet 上预训练的权重。请注意，模型使用的数据格式约定由您在 ~/.keras/keras.json 的 TF-Keras 配置中指定。

注意：每个 TF-Keras 应用都期望特定类型的输入预处理。对于 DenseNet，在将输入传递给模型之前，请调用 tf.keras.applications.densenet.preprocess_input。

参数

• include_top：是否在网络的顶部包含全连接层。
• 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，只有在 include_top 为 False 时才应指定（否则输入形状必须是 (224, 224, 3)（使用 'channels_last' 数据格式）或 (3, 224, 224)（使用 'channels_first' 数据格式）。它应该有正好 3 个输入通道，宽度和高度应不小于 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 表示将对最后一个卷积块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。
• classes：可选的要将图像分类到的类数，仅当 include_top 为 True 且未指定 weights 参数时才可指定。
• 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=None 设置为返回“顶部”层的 logits。加载预训练权重时，classifier_activation 只能是 None 或 "softmax"。

返回

一个 TF-Keras 模型实例。