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。
base
、large
和 xlarge
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()
的 expand_nested
参数设置为 True
,以便更好地查看实例化后的模型。
参数
True
。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"
。layers.Input()
的输出),用作模型的图像输入。include_top
为 False
时指定。它必须有恰好 3 个输入通道。include_top
为 False
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。include_top
为 True
且未指定 weights
参数时指定。默认为 1000(ImageNet 类别数)。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
或 "softmax"
。返回
一个模型实例。
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。
base
、large
和 xlarge
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()
的 expand_nested
参数设置为 True
,以便更好地查看实例化后的模型。
参数
True
。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"
。layers.Input()
的输出),用作模型的图像输入。include_top
为 False
时指定。它必须有恰好 3 个输入通道。include_top
为 False
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。include_top
为 True
且未指定 weights
参数时指定。默认为 1000(ImageNet 类别数)。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
或 "softmax"
。返回
一个模型实例。
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。
base
、large
和 xlarge
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()
的 expand_nested
参数设置为 True
,以便更好地查看实例化后的模型。
参数
True
。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"
。layers.Input()
的输出),用作模型的图像输入。include_top
为 False
时指定。它必须有恰好 3 个输入通道。include_top
为 False
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。include_top
为 True
且未指定 weights
参数时指定。默认为 1000(ImageNet 类别数)。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
或 "softmax"
。返回
一个模型实例。
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。
base
、large
和 xlarge
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()
的 expand_nested
参数设置为 True
,以便更好地查看实例化后的模型。
参数
True
。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"
。layers.Input()
的输出),用作模型的图像输入。include_top
为 False
时指定。它必须有恰好 3 个输入通道。include_top
为 False
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。include_top
为 True
且未指定 weights
参数时指定。默认为 1000(ImageNet 类别数)。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
或 "softmax"
。返回
一个模型实例。
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。
base
、large
和 xlarge
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()
的 expand_nested
参数设置为 True
,以便更好地查看实例化后的模型。
参数
True
。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"
。layers.Input()
的输出),用作模型的图像输入。include_top
为 False
时指定。它必须有恰好 3 个输入通道。include_top
为 False
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。include_top
为 True
且未指定 weights
参数时指定。默认为 1000(ImageNet 类别数)。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
或 "softmax"
。返回
一个模型实例。