ConvNeXt Tiny, Small, Base, Large, XLarge

[源代码]

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。

参考文献

• 面向 2020 年代的卷积网络 (CVPR 2022)

对于图像分类用例，请参阅此页面上的详细示例。对于迁移学习用例，请务必阅读迁移学习和微调指南。

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。模型的预训练参数来自官方存储库。要了解这些参数如何转换为与 Keras 兼容的参数，请参阅此存储库。

注意：每个 Keras 应用程序都期望一种特定的输入预处理方式。对于 ConvNeXt，预处理包含在使用 Normalization 层中的模型中。ConvNeXt 模型希望它们的输入是像素的 float 或 uint8 张量，值在 [0-255] 范围内。

在实例化 ConvNeXt 模型后调用 summary() 方法时，最好将 summary() 的 expand_nested 参数设置为 True，以便更好地调查实例化的模型。

参数

• include_top: 是否包含网络顶部的全连接层。默认为 True。
• weights: 以下值之一：None（随机初始化），"imagenet"（在 ImageNet-1k 上预训练）或要加载的权重文件的路径。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_top 为 False 时才指定。它应该正好有 3 个输入通道。
• pooling: 当 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 2D 张量。
  • max 表示将应用全局最大池化。
• classes: 可选的将图像分类到的类别数，仅当 include_top 为 True 且未指定 weights 参数时才指定。默认为 1000（ImageNet 类别的数量）。
• 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 以返回“顶部”层的 logits。默认为 "softmax"。当加载预训练权重时，classifier_activation 只能为 None 或 "softmax"。
• name: 模型的名称（字符串）。

返回值

一个模型实例。

[源代码]

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。

参考文献

• 面向 2020 年代的卷积网络 (CVPR 2022)

对于图像分类用例，请参阅此页面上的详细示例。对于迁移学习用例，请务必阅读迁移学习和微调指南。

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。模型的预训练参数来自官方存储库。要了解这些参数如何转换为与 Keras 兼容的参数，请参阅此存储库。

注意：每个 Keras 应用程序都期望一种特定的输入预处理方式。对于 ConvNeXt，预处理包含在使用 Normalization 层中的模型中。ConvNeXt 模型希望它们的输入是像素的 float 或 uint8 张量，值在 [0-255] 范围内。

在实例化 ConvNeXt 模型后调用 summary() 方法时，最好将 summary() 的 expand_nested 参数设置为 True，以便更好地调查实例化的模型。

参数

• include_top: 是否包含网络顶部的全连接层。默认为 True。
• weights: 以下值之一：None（随机初始化），"imagenet"（在 ImageNet-1k 上预训练）或要加载的权重文件的路径。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_top 为 False 时才指定。它应该正好有 3 个输入通道。
• pooling: 当 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 2D 张量。
  • max 表示将应用全局最大池化。
• classes: 可选的将图像分类到的类别数，仅当 include_top 为 True 且未指定 weights 参数时才指定。默认为 1000（ImageNet 类别的数量）。
• 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 以返回“顶部”层的 logits。默认为 "softmax"。当加载预训练权重时，classifier_activation 只能为 None 或 "softmax"。
• name: 模型的名称（字符串）。

返回值

一个模型实例。

[源代码]

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。

参考文献

• 面向 2020 年代的卷积网络 (CVPR 2022)

对于图像分类用例，请参阅此页面上的详细示例。对于迁移学习用例，请务必阅读迁移学习和微调指南。

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。模型的预训练参数来自官方存储库。要了解这些参数如何转换为与 Keras 兼容的参数，请参阅此存储库。

注意：每个 Keras 应用程序都期望一种特定的输入预处理方式。对于 ConvNeXt，预处理包含在使用 Normalization 层中的模型中。ConvNeXt 模型希望它们的输入是像素的 float 或 uint8 张量，值在 [0-255] 范围内。

在实例化 ConvNeXt 模型后调用 summary() 方法时，最好将 summary() 的 expand_nested 参数设置为 True，以便更好地调查实例化的模型。

参数

• include_top: 是否包含网络顶部的全连接层。默认为 True。
• weights: 以下值之一：None（随机初始化），"imagenet"（在 ImageNet-1k 上预训练）或要加载的权重文件的路径。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_top 为 False 时才指定。它应该正好有 3 个输入通道。
• pooling: 当 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 2D 张量。
  • max 表示将应用全局最大池化。
• classes: 可选的将图像分类到的类别数，仅当 include_top 为 True 且未指定 weights 参数时才指定。默认为 1000（ImageNet 类别的数量）。
• 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 以返回“顶部”层的 logits。默认为 "softmax"。当加载预训练权重时，classifier_activation 只能为 None 或 "softmax"。
• name: 模型的名称（字符串）。

返回值

一个模型实例。

[源代码]

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。

参考文献

• 面向 2020 年代的卷积网络 (CVPR 2022)

对于图像分类用例，请参阅此页面上的详细示例。对于迁移学习用例，请务必阅读迁移学习和微调指南。

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。模型的预训练参数来自官方存储库。要了解这些参数如何转换为与 Keras 兼容的参数，请参阅此存储库。

注意：每个 Keras 应用程序都期望一种特定的输入预处理方式。对于 ConvNeXt，预处理包含在使用 Normalization 层中的模型中。ConvNeXt 模型希望它们的输入是像素的 float 或 uint8 张量，值在 [0-255] 范围内。

在实例化 ConvNeXt 模型后调用 summary() 方法时，最好将 summary() 的 expand_nested 参数设置为 True，以便更好地调查实例化的模型。

参数

• include_top: 是否包含网络顶部的全连接层。默认为 True。
• weights: 以下值之一：None（随机初始化），"imagenet"（在 ImageNet-1k 上预训练）或要加载的权重文件的路径。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_top 为 False 时才指定。它应该正好有 3 个输入通道。
• pooling: 当 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 2D 张量。
  • max 表示将应用全局最大池化。
• classes: 可选的将图像分类到的类别数，仅当 include_top 为 True 且未指定 weights 参数时才指定。默认为 1000（ImageNet 类别的数量）。
• 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 以返回“顶部”层的 logits。默认为 "softmax"。当加载预训练权重时，classifier_activation 只能为 None 或 "softmax"。
• name: 模型的名称（字符串）。

返回值

一个模型实例。

[源代码]

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。

参考文献

• 面向 2020 年代的卷积网络 (CVPR 2022)

对于图像分类用例，请参阅此页面上的详细示例。对于迁移学习用例，请务必阅读迁移学习和微调指南。

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。模型的预训练参数来自官方存储库。要了解这些参数如何转换为与 Keras 兼容的参数，请参阅此存储库。

注意：每个 Keras 应用程序都期望一种特定的输入预处理方式。对于 ConvNeXt，预处理包含在使用 Normalization 层中的模型中。ConvNeXt 模型希望它们的输入是像素的 float 或 uint8 张量，值在 [0-255] 范围内。

在实例化 ConvNeXt 模型后调用 summary() 方法时，最好将 summary() 的 expand_nested 参数设置为 True，以便更好地调查实例化的模型。

参数

• include_top: 是否包含网络顶部的全连接层。默认为 True。
• weights: 以下值之一：None（随机初始化），"imagenet"（在 ImageNet-1k 上预训练）或要加载的权重文件的路径。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_top 为 False 时才指定。它应该正好有 3 个输入通道。
• pooling: 当 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 2D 张量。
  • max 表示将应用全局最大池化。
• classes: 可选的将图像分类到的类别数，仅当 include_top 为 True 且未指定 weights 参数时才指定。默认为 1000（ImageNet 类别的数量）。
• 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 以返回“顶部”层的 logits。默认为 "softmax"。当加载预训练权重时，classifier_activation 只能为 None 或 "softmax"。
• name: 模型的名称（字符串）。

返回值

一个模型实例。