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

• 深度残差学习用于图像识别 (CVPR 2015)

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_input。resnet.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_top 为 False 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 或 "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

• 深度残差学习用于图像识别 (CVPR 2015)

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_input。resnet.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_top 为 False 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 或 "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

• 深度残差学习用于图像识别 (CVPR 2015)

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_input。resnet.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_top 为 False 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 或 "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

• 深度残差网络中的恒等映射 (CVPR 2016)

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_input。resnet_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_top 为 False 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 或 "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

• 深度残差网络中的恒等映射 (CVPR 2016)

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_input。resnet_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_top 为 False 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 或 "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

• 深度残差网络中的恒等映射 (CVPR 2016)

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_input。resnet_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_top 为 False 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 或 "softmax"。

返回值

一个 keras.Model 实例。