Keras 2 API 文档 / Keras 应用模型 / EfficientNetV2 B0 到 B3 和 S, M, L

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

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_topFalse 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"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

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_topFalse 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"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

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_topFalse 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"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

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_topFalse 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"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

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_topFalse 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"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

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_topFalse 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"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

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_topFalse 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"softmax"。默认为 "softmax"

返回

一个 keras.Model 实例。