EfficientNetV2 B0 到 B3 和 S, M, L

[源代码]

EfficientNetV2B0 函数

tf_keras.applications.EfficientNetV2B0(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    include_preprocessing=True,
)

实例化 EfficientNetV2B0 架构。

参考文献

• EfficientNetV2: Smaller Models and Faster Training (ICML 2021)

此函数返回一个 TF-Keras 图像分类模型，可以选择加载在 ImageNet 上预训练的权重。

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与微调指南。

注意：每个 TF-Keras 应用模型都需要特定类型的输入预处理。对于 EfficientNetV2，默认情况下输入预处理作为模型的一部分包含在内（作为一个 Rescaling 层），因此 tf.keras.applications.efficientnet_v2.preprocess_input 实际上是一个直通函数。在这种用例中，EfficientNetV2 模型期望其输入是像素值在 [0-255] 范围内的浮点张量。同时，可以通过将 include_preprocessing 参数设置为 False 来禁用作为模型一部分的预处理（即 Rescaling 层）。禁用预处理后，EfficientNetV2 模型期望其输入是像素值在 [-1, 1] 范围内的浮点张量。

参数

• include_top：布尔值，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 上预训练），或要加载的权重文件路径。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，仅当 include_top 为 False 时指定。它应具有正好 3 个输入通道。
• pooling：可选的池化模式，用于当 include_top 为 False 时的特征提取。
  • 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 参数时指定。ImageNet 有 1000 个类别。默认为 1000。
• classifier_activation：字符串或可调用对象。用于 "top" 层的激活函数。除非 include_top=True，否则忽略此参数。将 classifier_activation 设置为 None 将返回 "top" 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]

EfficientNetV2B1 函数

tf_keras.applications.EfficientNetV2B1(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    include_preprocessing=True,
)

实例化 EfficientNetV2B1 架构。

参考文献

• EfficientNetV2: Smaller Models and Faster Training (ICML 2021)

此函数返回一个 TF-Keras 图像分类模型，可以选择加载在 ImageNet 上预训练的权重。

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与微调指南。

注意：每个 TF-Keras 应用模型都需要特定类型的输入预处理。对于 EfficientNetV2，默认情况下输入预处理作为模型的一部分包含在内（作为一个 Rescaling 层），因此 tf.keras.applications.efficientnet_v2.preprocess_input 实际上是一个直通函数。在这种用例中，EfficientNetV2 模型期望其输入是像素值在 [0-255] 范围内的浮点张量。同时，可以通过将 include_preprocessing 参数设置为 False 来禁用作为模型一部分的预处理（即 Rescaling 层）。禁用预处理后，EfficientNetV2 模型期望其输入是像素值在 [-1, 1] 范围内的浮点张量。

参数

• include_top：布尔值，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 上预训练），或要加载的权重文件路径。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，仅当 include_top 为 False 时指定。它应具有正好 3 个输入通道。
• pooling：可选的池化模式，用于当 include_top 为 False 时的特征提取。
  • 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 参数时指定。ImageNet 有 1000 个类别。默认为 1000。
• classifier_activation：字符串或可调用对象。用于 "top" 层的激活函数。除非 include_top=True，否则忽略此参数。将 classifier_activation 设置为 None 将返回 "top" 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]

EfficientNetV2B2 函数

tf_keras.applications.EfficientNetV2B2(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    include_preprocessing=True,
)

实例化 EfficientNetV2B2 架构。

参考文献

• EfficientNetV2: Smaller Models and Faster Training (ICML 2021)

此函数返回一个 TF-Keras 图像分类模型，可以选择加载在 ImageNet 上预训练的权重。

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与微调指南。

注意：每个 TF-Keras 应用模型都需要特定类型的输入预处理。对于 EfficientNetV2，默认情况下输入预处理作为模型的一部分包含在内（作为一个 Rescaling 层），因此 tf.keras.applications.efficientnet_v2.preprocess_input 实际上是一个直通函数。在这种用例中，EfficientNetV2 模型期望其输入是像素值在 [0-255] 范围内的浮点张量。同时，可以通过将 include_preprocessing 参数设置为 False 来禁用作为模型一部分的预处理（即 Rescaling 层）。禁用预处理后，EfficientNetV2 模型期望其输入是像素值在 [-1, 1] 范围内的浮点张量。

参数

• include_top：布尔值，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 上预训练），或要加载的权重文件路径。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，仅当 include_top 为 False 时指定。它应具有正好 3 个输入通道。
• pooling：可选的池化模式，用于当 include_top 为 False 时的特征提取。
  • 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 参数时指定。ImageNet 有 1000 个类别。默认为 1000。
• classifier_activation：字符串或可调用对象。用于 "top" 层的激活函数。除非 include_top=True，否则忽略此参数。将 classifier_activation 设置为 None 将返回 "top" 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]

EfficientNetV2B3 函数

tf_keras.applications.EfficientNetV2B3(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    include_preprocessing=True,
)

实例化 EfficientNetV2B3 架构。

参考文献

• EfficientNetV2: Smaller Models and Faster Training (ICML 2021)

此函数返回一个 TF-Keras 图像分类模型，可以选择加载在 ImageNet 上预训练的权重。

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与微调指南。

注意：每个 TF-Keras 应用模型都需要特定类型的输入预处理。对于 EfficientNetV2，默认情况下输入预处理作为模型的一部分包含在内（作为一个 Rescaling 层），因此 tf.keras.applications.efficientnet_v2.preprocess_input 实际上是一个直通函数。在这种用例中，EfficientNetV2 模型期望其输入是像素值在 [0-255] 范围内的浮点张量。同时，可以通过将 include_preprocessing 参数设置为 False 来禁用作为模型一部分的预处理（即 Rescaling 层）。禁用预处理后，EfficientNetV2 模型期望其输入是像素值在 [-1, 1] 范围内的浮点张量。

参数

• include_top：布尔值，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 上预训练），或要加载的权重文件路径。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，仅当 include_top 为 False 时指定。它应具有正好 3 个输入通道。
• pooling：可选的池化模式，用于当 include_top 为 False 时的特征提取。
  • 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 参数时指定。ImageNet 有 1000 个类别。默认为 1000。
• classifier_activation：字符串或可调用对象。用于 "top" 层的激活函数。除非 include_top=True，否则忽略此参数。将 classifier_activation 设置为 None 将返回 "top" 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]

EfficientNetV2S 函数

tf_keras.applications.EfficientNetV2S(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    include_preprocessing=True,
)

实例化 EfficientNetV2S 架构。

参考文献

• EfficientNetV2: Smaller Models and Faster Training (ICML 2021)

此函数返回一个 TF-Keras 图像分类模型，可以选择加载在 ImageNet 上预训练的权重。

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与微调指南。

注意：每个 TF-Keras 应用模型都需要特定类型的输入预处理。对于 EfficientNetV2，默认情况下输入预处理作为模型的一部分包含在内（作为一个 Rescaling 层），因此 tf.keras.applications.efficientnet_v2.preprocess_input 实际上是一个直通函数。在这种用例中，EfficientNetV2 模型期望其输入是像素值在 [0-255] 范围内的浮点张量。同时，可以通过将 include_preprocessing 参数设置为 False 来禁用作为模型一部分的预处理（即 Rescaling 层）。禁用预处理后，EfficientNetV2 模型期望其输入是像素值在 [-1, 1] 范围内的浮点张量。

参数

• include_top：布尔值，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 上预训练），或要加载的权重文件路径。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，仅当 include_top 为 False 时指定。它应具有正好 3 个输入通道。
• pooling：可选的池化模式，用于当 include_top 为 False 时的特征提取。
  • 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 参数时指定。ImageNet 有 1000 个类别。默认为 1000。
• classifier_activation：字符串或可调用对象。用于 "top" 层的激活函数。除非 include_top=True，否则忽略此参数。将 classifier_activation 设置为 None 将返回 "top" 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]

EfficientNetV2M 函数

tf_keras.applications.EfficientNetV2M(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    include_preprocessing=True,
)

实例化 EfficientNetV2M 架构。

参考文献

• EfficientNetV2: Smaller Models and Faster Training (ICML 2021)

此函数返回一个 TF-Keras 图像分类模型，可以选择加载在 ImageNet 上预训练的权重。

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与微调指南。

注意：每个 TF-Keras 应用模型都需要特定类型的输入预处理。对于 EfficientNetV2，默认情况下输入预处理作为模型的一部分包含在内（作为一个 Rescaling 层），因此 tf.keras.applications.efficientnet_v2.preprocess_input 实际上是一个直通函数。在这种用例中，EfficientNetV2 模型期望其输入是像素值在 [0-255] 范围内的浮点张量。同时，可以通过将 include_preprocessing 参数设置为 False 来禁用作为模型一部分的预处理（即 Rescaling 层）。禁用预处理后，EfficientNetV2 模型期望其输入是像素值在 [-1, 1] 范围内的浮点张量。

参数

• include_top：布尔值，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 上预训练），或要加载的权重文件路径。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，仅当 include_top 为 False 时指定。它应具有正好 3 个输入通道。
• pooling：可选的池化模式，用于当 include_top 为 False 时的特征提取。
  • 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 参数时指定。ImageNet 有 1000 个类别。默认为 1000。
• classifier_activation：字符串或可调用对象。用于 "top" 层的激活函数。除非 include_top=True，否则忽略此参数。将 classifier_activation 设置为 None 将返回 "top" 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]

EfficientNetV2L 函数

tf_keras.applications.EfficientNetV2L(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    include_preprocessing=True,
)

实例化 EfficientNetV2L 架构。

参考文献

• EfficientNetV2: Smaller Models and Faster Training (ICML 2021)

此函数返回一个 TF-Keras 图像分类模型，可以选择加载在 ImageNet 上预训练的权重。

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与微调指南。

注意：每个 TF-Keras 应用模型都需要特定类型的输入预处理。对于 EfficientNetV2，默认情况下输入预处理作为模型的一部分包含在内（作为一个 Rescaling 层），因此 tf.keras.applications.efficientnet_v2.preprocess_input 实际上是一个直通函数。在这种用例中，EfficientNetV2 模型期望其输入是像素值在 [0-255] 范围内的浮点张量。同时，可以通过将 include_preprocessing 参数设置为 False 来禁用作为模型一部分的预处理（即 Rescaling 层）。禁用预处理后，EfficientNetV2 模型期望其输入是像素值在 [-1, 1] 范围内的浮点张量。

参数

• include_top：布尔值，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 上预训练），或要加载的权重文件路径。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，仅当 include_top 为 False 时指定。它应具有正好 3 个输入通道。
• pooling：可选的池化模式，用于当 include_top 为 False 时的特征提取。
  • 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 参数时指定。ImageNet 有 1000 个类别。默认为 1000。
• classifier_activation：字符串或可调用对象。用于 "top" 层的激活函数。除非 include_top=True，否则忽略此参数。将 classifier_activation 设置为 None 将返回 "top" 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。