DenseNet

[源]

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

• 密集连接卷积网络 (CVPR 2017)

（可选）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是在 ~/.keras/keras.json 中的 TF-Keras 配置中指定的格式。

注意：每个 TF-Keras 应用模型都需要特定的输入预处理。对于 DenseNet，在将输入传递给模型之前，请对输入调用 tf.keras.applications.densenet.preprocess_input。

参数

• include_top：是否包含网络顶部的全连接层。
• weights：
  • None (随机初始化)
  • 'imagenet' (在 ImageNet 上进行预训练)
  • 或要加载的权重文件的路径。
• input_tensor：（可选）用作模型图像输入的 TF-Keras 张量（即 layers.Input() 的输出）。
• input_shape：（可选）形状元组，仅在 include_top 为 False 时指定（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）。它应恰好有 3 个输入通道，宽度和高度应不小于 32。例如，(200, 200, 3) 将是一个有效值。
• 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一个 2D 张量。
  • max 表示将应用全局最大池化。
• classes：（可选）要分类图像的类别数，仅在 include_top 为 True 且未指定 weights 参数时指定。
• 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，否则忽略。设置 classifier_activation=None 可返回“顶部”层的 logits。加载预训练权重时，classifier_activation 只能是 None 或 "softmax"。

返回值

一个 TF-Keras 模型实例。

[源]

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

• 密集连接卷积网络 (CVPR 2017)

（可选）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是在 ~/.keras/keras.json 中的 TF-Keras 配置中指定的格式。

注意：每个 TF-Keras 应用模型都需要特定的输入预处理。对于 DenseNet，在将输入传递给模型之前，请对输入调用 tf.keras.applications.densenet.preprocess_input。

参数

• include_top：是否包含网络顶部的全连接层。
• weights：
  • None (随机初始化)
  • 'imagenet' (在 ImageNet 上进行预训练)
  • 或要加载的权重文件的路径。
• input_tensor：（可选）用作模型图像输入的 TF-Keras 张量（即 layers.Input() 的输出）。
• input_shape：（可选）形状元组，仅在 include_top 为 False 时指定（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）。它应恰好有 3 个输入通道，宽度和高度应不小于 32。例如，(200, 200, 3) 将是一个有效值。
• 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一个 2D 张量。
  • max 表示将应用全局最大池化。
• classes：（可选）要分类图像的类别数，仅在 include_top 为 True 且未指定 weights 参数时指定。
• 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，否则忽略。设置 classifier_activation=None 可返回“顶部”层的 logits。加载预训练权重时，classifier_activation 只能是 None 或 "softmax"。

返回值

一个 TF-Keras 模型实例。

[源]

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

• 密集连接卷积网络 (CVPR 2017)

（可选）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是在 ~/.keras/keras.json 中的 TF-Keras 配置中指定的格式。

注意：每个 TF-Keras 应用模型都需要特定的输入预处理。对于 DenseNet，在将输入传递给模型之前，请对输入调用 tf.keras.applications.densenet.preprocess_input。

参数

• include_top：是否包含网络顶部的全连接层。
• weights：
  • None (随机初始化)
  • 'imagenet' (在 ImageNet 上进行预训练)
  • 或要加载的权重文件的路径。
• input_tensor：（可选）用作模型图像输入的 TF-Keras 张量（即 layers.Input() 的输出）。
• input_shape：（可选）形状元组，仅在 include_top 为 False 时指定（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）。它应恰好有 3 个输入通道，宽度和高度应不小于 32。例如，(200, 200, 3) 将是一个有效值。
• 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一个 2D 张量。
  • max 表示将应用全局最大池化。
• classes：（可选）要分类图像的类别数，仅在 include_top 为 True 且未指定 weights 参数时指定。
• 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，否则忽略。设置 classifier_activation=None 可返回“顶部”层的 logits。加载预训练权重时，classifier_activation 只能是 None 或 "softmax"。

返回值

一个 TF-Keras 模型实例。