Keras 2 API 文档 / Keras Applications / ResNet 和 ResNetV2

ResNet 和 ResNetV2

[源]

ResNet50 函数

tf_keras.applications.ResNet50(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    **kwargs
)

实例化 ResNet50 架构。

参考

有关图像分类用例,请参阅此页面获取详细示例

有关迁移学习用例,请务必阅读迁移学习与微调指南

注意:每个 TF-Keras Application 都需要特定类型的输入预处理。对于 ResNet,在将输入传递给模型之前,请对输入调用tf.keras.applications.resnet.preprocess_inputresnet.preprocess_input 会将输入图像从 RGB 转换为 BGR,然后对每个颜色通道相对于 ImageNet 数据集进行零中心化,而不进行缩放。

参数

  • include_top: 是否包含网络顶部的全连接层。
  • weights: 以下之一: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(否则输入形状必须为 (224, 224, 3)(使用 'channels_last' 数据格式)或 (3, 224, 224)(使用 'channels_first' 数据格式))。它应包含正好 3 个输入通道,并且宽度和高度应不小于 32。例如,(200, 200, 3) 是一个有效值。
  • pooling: 可选的池化模式,用于当 include_topFalse 时进行特征提取。
    • 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: 可选的图像分类类别数量,仅当 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,否则将被忽略。设置 classifier_activation=None 将返回“顶部”层的 logits。加载预训练权重时,classifier_activation 只能是 None"softmax"

返回值

一个 TF-Keras 模型实例。


[源]

ResNet101 函数

tf_keras.applications.ResNet101(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    **kwargs
)

实例化 ResNet101 架构。

参考

有关图像分类用例,请参阅此页面获取详细示例

有关迁移学习用例,请务必阅读迁移学习与微调指南

注意:每个 TF-Keras Application 都需要特定类型的输入预处理。对于 ResNet,在将输入传递给模型之前,请对输入调用tf.keras.applications.resnet.preprocess_inputresnet.preprocess_input 会将输入图像从 RGB 转换为 BGR,然后对每个颜色通道相对于 ImageNet 数据集进行零中心化,而不进行缩放。

参数

  • include_top: 是否包含网络顶部的全连接层。
  • weights: 以下之一: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(否则输入形状必须为 (224, 224, 3)(使用 'channels_last' 数据格式)或 (3, 224, 224)(使用 'channels_first' 数据格式))。它应包含正好 3 个输入通道,并且宽度和高度应不小于 32。例如,(200, 200, 3) 是一个有效值。
  • pooling: 可选的池化模式,用于当 include_topFalse 时进行特征提取。
    • 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: 可选的图像分类类别数量,仅当 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,否则将被忽略。设置 classifier_activation=None 将返回“顶部”层的 logits。加载预训练权重时,classifier_activation 只能是 None"softmax"

返回值

一个 TF-Keras 模型实例。


[源]

ResNet152 函数

tf_keras.applications.ResNet152(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    **kwargs
)

实例化 ResNet152 架构。

参考

有关图像分类用例,请参阅此页面获取详细示例

有关迁移学习用例,请务必阅读迁移学习与微调指南

注意:每个 TF-Keras Application 都需要特定类型的输入预处理。对于 ResNet,在将输入传递给模型之前,请对输入调用tf.keras.applications.resnet.preprocess_inputresnet.preprocess_input 会将输入图像从 RGB 转换为 BGR,然后对每个颜色通道相对于 ImageNet 数据集进行零中心化,而不进行缩放。

参数

  • include_top: 是否包含网络顶部的全连接层。
  • weights: 以下之一: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(否则输入形状必须为 (224, 224, 3)(使用 'channels_last' 数据格式)或 (3, 224, 224)(使用 'channels_first' 数据格式))。它应包含正好 3 个输入通道,并且宽度和高度应不小于 32。例如,(200, 200, 3) 是一个有效值。
  • pooling: 可选的池化模式,用于当 include_topFalse 时进行特征提取。
    • 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: 可选的图像分类类别数量,仅当 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,否则将被忽略。设置 classifier_activation=None 将返回“顶部”层的 logits。加载预训练权重时,classifier_activation 只能是 None"softmax"

返回值

一个 TF-Keras 模型实例。


[源]

ResNet50V2 函数

tf_keras.applications.ResNet50V2(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
)

实例化 ResNet50V2 架构。

参考

有关图像分类用例,请参阅此页面获取详细示例

有关迁移学习用例,请务必阅读迁移学习与微调指南

注意:每个 TF-Keras Application 都需要特定类型的输入预处理。对于 ResNetV2,在将输入传递给模型之前,请对输入调用tf.keras.applications.resnet_v2.preprocess_inputresnet_v2.preprocess_input 会将输入像素缩放到 -1 到 1 之间。

参数

  • include_top: 是否包含网络顶部的全连接层。
  • weights: 以下之一: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(否则输入形状必须为 (224, 224, 3)(使用 'channels_last' 数据格式)或 (3, 224, 224)(使用 'channels_first' 数据格式))。它应包含正好 3 个输入通道,并且宽度和高度应不小于 32。例如,(200, 200, 3) 是一个有效值。
  • pooling: 可选的池化模式,用于当 include_topFalse 时进行特征提取。
    • 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: 可选的图像分类类别数量,仅当 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,否则将被忽略。设置 classifier_activation=None 将返回“顶部”层的 logits。加载预训练权重时,classifier_activation 只能是 None"softmax"

返回值

一个 keras.Model 实例。


[源]

ResNet101V2 函数

tf_keras.applications.ResNet101V2(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
)

实例化 ResNet101V2 架构。

参考

有关图像分类用例,请参阅此页面获取详细示例

有关迁移学习用例,请务必阅读迁移学习与微调指南

注意:每个 TF-Keras Application 都需要特定类型的输入预处理。对于 ResNetV2,在将输入传递给模型之前,请对输入调用tf.keras.applications.resnet_v2.preprocess_inputresnet_v2.preprocess_input 会将输入像素缩放到 -1 到 1 之间。

参数

  • include_top: 是否包含网络顶部的全连接层。
  • weights: 以下之一: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(否则输入形状必须为 (224, 224, 3)(使用 'channels_last' 数据格式)或 (3, 224, 224)(使用 'channels_first' 数据格式))。它应包含正好 3 个输入通道,并且宽度和高度应不小于 32。例如,(200, 200, 3) 是一个有效值。
  • pooling: 可选的池化模式,用于当 include_topFalse 时进行特征提取。
    • 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: 可选的图像分类类别数量,仅当 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,否则将被忽略。设置 classifier_activation=None 将返回“顶部”层的 logits。加载预训练权重时,classifier_activation 只能是 None"softmax"

返回值

一个 keras.Model 实例。


[源]

ResNet152V2 函数

tf_keras.applications.ResNet152V2(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
)

实例化 ResNet152V2 架构。

参考

有关图像分类用例,请参阅此页面获取详细示例

有关迁移学习用例,请务必阅读迁移学习与微调指南

注意:每个 TF-Keras Application 都需要特定类型的输入预处理。对于 ResNetV2,在将输入传递给模型之前,请对输入调用tf.keras.applications.resnet_v2.preprocess_inputresnet_v2.preprocess_input 会将输入像素缩放到 -1 到 1 之间。

参数

  • include_top: 是否包含网络顶部的全连接层。
  • weights: 以下之一: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(否则输入形状必须为 (224, 224, 3)(使用 'channels_last' 数据格式)或 (3, 224, 224)(使用 'channels_first' 数据格式))。它应包含正好 3 个输入通道,并且宽度和高度应不小于 32。例如,(200, 200, 3) 是一个有效值。
  • pooling: 可选的池化模式,用于当 include_topFalse 时进行特征提取。
    • 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: 可选的图像分类类别数量,仅当 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,否则将被忽略。设置 classifier_activation=None 将返回“顶部”层的 logits。加载预训练权重时,classifier_activation 只能是 None"softmax"

返回值

一个 keras.Model 实例。