Keras 3 API 文档 / Keras Applications / ConvNeXt Tiny, Small, Base, Large, XLarge

ConvNeXt Tiny, Small, Base, Large, XLarge

[源]

ConvNeXtTiny 函数

keras.applications.ConvNeXtTiny(
    include_top=True,
    include_preprocessing=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="convnext_tiny",
)

实例化 ConvNeXtTiny 架构。

参考资料

对于图像分类用例,请参阅此页面查看详细示例。对于迁移学习用例,请务必阅读迁移学习与微调指南

baselargexlarge 模型首先在 ImageNet-21k 数据集上进行预训练,然后在 ImageNet-1k 数据集上进行微调。模型的预训练参数从官方仓库汇编。要了解这些参数如何转换为 Keras 兼容参数,请参考此仓库

注意:每个 Keras Application 都需要特定的输入预处理。对于 ConvNeXt,预处理使用 Normalization 层包含在模型中。ConvNeXt 模型预期输入为像素值在 [0-255] 范围内的 float 或 uint8 张量。

实例化 ConvNeXt 模型后调用 summary() 方法时,最好将 summary()expand_nested 参数设置为 True,以便更好地查看实例化后的模型。

参数

  • include_top: 是否包含网络顶部的全连接层。默认为 True
  • weights: 以下之一:None(随机初始化)、"imagenet"(在 ImageNet-1k 上预训练),或要加载的权重文件路径。默认为 "imagenet"
  • input_tensor: 可选的 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_topFalse 时指定。它必须有恰好 3 个输入通道。
  • pooling: 当 include_topFalse 时用于特征提取的可选池化模式。默认为 None。
    • 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。
  • classes: 要将图像分类到的可选类别数,仅当 include_topTrue 且未指定 weights 参数时指定。默认为 1000(ImageNet 类别数)。
  • 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,否则忽略此参数。将 classifier_activation 设置为 None 以返回“顶部”层的 logits。默认为 "softmax"。加载预训练权重时,classifier_activation 只能是 None"softmax"
  • name: 模型名称(字符串)。

返回

一个模型实例。


[源]

ConvNeXtSmall 函数

keras.applications.ConvNeXtSmall(
    include_top=True,
    include_preprocessing=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="convnext_small",
)

实例化 ConvNeXtSmall 架构。

参考资料

对于图像分类用例,请参阅此页面查看详细示例。对于迁移学习用例,请务必阅读迁移学习与微调指南

baselargexlarge 模型首先在 ImageNet-21k 数据集上进行预训练,然后在 ImageNet-1k 数据集上进行微调。模型的预训练参数从官方仓库汇编。要了解这些参数如何转换为 Keras 兼容参数,请参考此仓库

注意:每个 Keras Application 都需要特定的输入预处理。对于 ConvNeXt,预处理使用 Normalization 层包含在模型中。ConvNeXt 模型预期输入为像素值在 [0-255] 范围内的 float 或 uint8 张量。

实例化 ConvNeXt 模型后调用 summary() 方法时,最好将 summary()expand_nested 参数设置为 True,以便更好地查看实例化后的模型。

参数

  • include_top: 是否包含网络顶部的全连接层。默认为 True
  • weights: 以下之一:None(随机初始化)、"imagenet"(在 ImageNet-1k 上预训练),或要加载的权重文件路径。默认为 "imagenet"
  • input_tensor: 可选的 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_topFalse 时指定。它必须有恰好 3 个输入通道。
  • pooling: 当 include_topFalse 时用于特征提取的可选池化模式。默认为 None。
    • 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。
  • classes: 要将图像分类到的可选类别数,仅当 include_topTrue 且未指定 weights 参数时指定。默认为 1000(ImageNet 类别数)。
  • 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,否则忽略此参数。将 classifier_activation 设置为 None 以返回“顶部”层的 logits。默认为 "softmax"。加载预训练权重时,classifier_activation 只能是 None"softmax"
  • name: 模型名称(字符串)。

返回

一个模型实例。


[源]

ConvNeXtBase 函数

keras.applications.ConvNeXtBase(
    include_top=True,
    include_preprocessing=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="convnext_base",
)

实例化 ConvNeXtBase 架构。

参考资料

对于图像分类用例,请参阅此页面查看详细示例。对于迁移学习用例,请务必阅读迁移学习与微调指南

baselargexlarge 模型首先在 ImageNet-21k 数据集上进行预训练,然后在 ImageNet-1k 数据集上进行微调。模型的预训练参数从官方仓库汇编。要了解这些参数如何转换为 Keras 兼容参数,请参考此仓库

注意:每个 Keras Application 都需要特定的输入预处理。对于 ConvNeXt,预处理使用 Normalization 层包含在模型中。ConvNeXt 模型预期输入为像素值在 [0-255] 范围内的 float 或 uint8 张量。

实例化 ConvNeXt 模型后调用 summary() 方法时,最好将 summary()expand_nested 参数设置为 True,以便更好地查看实例化后的模型。

参数

  • include_top: 是否包含网络顶部的全连接层。默认为 True
  • weights: 以下之一:None(随机初始化)、"imagenet"(在 ImageNet-1k 上预训练),或要加载的权重文件路径。默认为 "imagenet"
  • input_tensor: 可选的 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_topFalse 时指定。它必须有恰好 3 个输入通道。
  • pooling: 当 include_topFalse 时用于特征提取的可选池化模式。默认为 None。
    • 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。
  • classes: 要将图像分类到的可选类别数,仅当 include_topTrue 且未指定 weights 参数时指定。默认为 1000(ImageNet 类别数)。
  • 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,否则忽略此参数。将 classifier_activation 设置为 None 以返回“顶部”层的 logits。默认为 "softmax"。加载预训练权重时,classifier_activation 只能是 None"softmax"
  • name: 模型名称(字符串)。

返回

一个模型实例。


[源]

ConvNeXtLarge 函数

keras.applications.ConvNeXtLarge(
    include_top=True,
    include_preprocessing=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="convnext_large",
)

实例化 ConvNeXtLarge 架构。

参考资料

对于图像分类用例,请参阅此页面查看详细示例。对于迁移学习用例,请务必阅读迁移学习与微调指南

baselargexlarge 模型首先在 ImageNet-21k 数据集上进行预训练,然后在 ImageNet-1k 数据集上进行微调。模型的预训练参数从官方仓库汇编。要了解这些参数如何转换为 Keras 兼容参数,请参考此仓库

注意:每个 Keras Application 都需要特定的输入预处理。对于 ConvNeXt,预处理使用 Normalization 层包含在模型中。ConvNeXt 模型预期输入为像素值在 [0-255] 范围内的 float 或 uint8 张量。

实例化 ConvNeXt 模型后调用 summary() 方法时,最好将 summary()expand_nested 参数设置为 True,以便更好地查看实例化后的模型。

参数

  • include_top: 是否包含网络顶部的全连接层。默认为 True
  • weights: 以下之一:None(随机初始化)、"imagenet"(在 ImageNet-1k 上预训练),或要加载的权重文件路径。默认为 "imagenet"
  • input_tensor: 可选的 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_topFalse 时指定。它必须有恰好 3 个输入通道。
  • pooling: 当 include_topFalse 时用于特征提取的可选池化模式。默认为 None。
    • 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。
  • classes: 要将图像分类到的可选类别数,仅当 include_topTrue 且未指定 weights 参数时指定。默认为 1000(ImageNet 类别数)。
  • 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,否则忽略此参数。将 classifier_activation 设置为 None 以返回“顶部”层的 logits。默认为 "softmax"。加载预训练权重时,classifier_activation 只能是 None"softmax"
  • name: 模型名称(字符串)。

返回

一个模型实例。


[源]

ConvNeXtXLarge 函数

keras.applications.ConvNeXtXLarge(
    include_top=True,
    include_preprocessing=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="convnext_xlarge",
)

实例化 ConvNeXtXLarge 架构。

参考资料

对于图像分类用例,请参阅此页面查看详细示例。对于迁移学习用例,请务必阅读迁移学习与微调指南

baselargexlarge 模型首先在 ImageNet-21k 数据集上进行预训练,然后在 ImageNet-1k 数据集上进行微调。模型的预训练参数从官方仓库汇编。要了解这些参数如何转换为 Keras 兼容参数,请参考此仓库

注意:每个 Keras Application 都需要特定的输入预处理。对于 ConvNeXt,预处理使用 Normalization 层包含在模型中。ConvNeXt 模型预期输入为像素值在 [0-255] 范围内的 float 或 uint8 张量。

实例化 ConvNeXt 模型后调用 summary() 方法时,最好将 summary()expand_nested 参数设置为 True,以便更好地查看实例化后的模型。

参数

  • include_top: 是否包含网络顶部的全连接层。默认为 True
  • weights: 以下之一:None(随机初始化)、"imagenet"(在 ImageNet-1k 上预训练),或要加载的权重文件路径。默认为 "imagenet"
  • input_tensor: 可选的 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_topFalse 时指定。它必须有恰好 3 个输入通道。
  • pooling: 当 include_topFalse 时用于特征提取的可选池化模式。默认为 None。
    • 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。
  • classes: 要将图像分类到的可选类别数,仅当 include_topTrue 且未指定 weights 参数时指定。默认为 1000(ImageNet 类别数)。
  • 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,否则忽略此参数。将 classifier_activation 设置为 None 以返回“顶部”层的 logits。默认为 "softmax"。加载预训练权重时,classifier_activation 只能是 None"softmax"
  • name: 模型名称(字符串)。

返回

一个模型实例。