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
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
True
。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"
。layers.Input()
的输出),用作模型的图像输入。include_top
为 False 时指定。它应具有正好 3 个输入通道。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
。include_top
为 True 且未指定 weights
参数时指定。ImageNet 有 1000 个类别。默认为 1000
。"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。
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
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
True
。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"
。layers.Input()
的输出),用作模型的图像输入。include_top
为 False 时指定。它应具有正好 3 个输入通道。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
。include_top
为 True 且未指定 weights
参数时指定。ImageNet 有 1000 个类别。默认为 1000
。"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。
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
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
True
。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"
。layers.Input()
的输出),用作模型的图像输入。include_top
为 False 时指定。它应具有正好 3 个输入通道。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
。include_top
为 True 且未指定 weights
参数时指定。ImageNet 有 1000 个类别。默认为 1000
。"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。
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
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
True
。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"
。layers.Input()
的输出),用作模型的图像输入。include_top
为 False 时指定。它应具有正好 3 个输入通道。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
。include_top
为 True 且未指定 weights
参数时指定。ImageNet 有 1000 个类别。默认为 1000
。"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。
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
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
True
。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"
。layers.Input()
的输出),用作模型的图像输入。include_top
为 False 时指定。它应具有正好 3 个输入通道。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
。include_top
为 True 且未指定 weights
参数时指定。ImageNet 有 1000 个类别。默认为 1000
。"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。
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
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
True
。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"
。layers.Input()
的输出),用作模型的图像输入。include_top
为 False 时指定。它应具有正好 3 个输入通道。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
。include_top
为 True 且未指定 weights
参数时指定。ImageNet 有 1000 个类别。默认为 1000
。"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。
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
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
True
。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"
。layers.Input()
的输出),用作模型的图像输入。include_top
为 False 时指定。它应具有正好 3 个输入通道。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
。include_top
为 True 且未指定 weights
参数时指定。ImageNet 有 1000 个类别。默认为 1000
。"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。