Keras 3 API 文档 / Keras 应用 / ConvNeXt Tiny、Small、Base、Large、XLarge

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

有关图像分类用例,请参阅此页面以获取详细示例。对于迁移学习用例,请务必阅读迁移学习和微调指南

baselargexlarge 模型首先在 ImageNet-21k 数据集上进行了预训练,然后在 ImageNet-1k 数据集上进行了微调。模型的预训练参数是从官方仓库中组装的。要了解这些参数如何转换为 Keras 兼容参数,请参阅此仓库

注意:每个 Keras 应用都期望特定类型的输入预处理。对于 ConvNeXt,预处理是使用 Normalization 层包含在模型中的。ConvNeXt 模型期望其输入为像素值为 [0-255] 范围内的浮点或 uint8 张量。

在实例化 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
  • weightsNone(随机初始化)、"imagenet"(在 ImageNet-1k 上进行预训练)或要加载的权重文件的路径之一。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,仅在 include_topFalse 时指定。它应该正好有 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层卷积层的 4D 张量输出。
    • avg 表示全局平均池化将应用于最后一层卷积层的输出,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:可选的类别数,用于将图像分类到其中,仅在 include_topTrue 且未指定 weights 参数时指定。默认为 1000(ImageNet 类别的数量)。
  • classifier_activation:一个 str 或可调用对象。在“顶部”层上使用的激活函数。除非 include_top=True,否则忽略。设置 classifier_activation=None 以返回“顶部”层的 logits。默认为 "softmax"。加载预训练权重时,classifier_activation 只能为 None"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

有关图像分类用例,请参阅此页面以获取详细示例。对于迁移学习用例,请务必阅读迁移学习和微调指南

baselargexlarge 模型首先在 ImageNet-21k 数据集上进行了预训练,然后在 ImageNet-1k 数据集上进行了微调。模型的预训练参数是从官方仓库中组装的。要了解这些参数如何转换为 Keras 兼容参数,请参阅此仓库

注意:每个 Keras 应用都期望特定类型的输入预处理。对于 ConvNeXt,预处理是使用 Normalization 层包含在模型中的。ConvNeXt 模型期望其输入为像素值为 [0-255] 范围内的浮点或 uint8 张量。

在实例化 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
  • weightsNone(随机初始化)、"imagenet"(在 ImageNet-1k 上进行预训练)或要加载的权重文件的路径之一。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,仅在 include_topFalse 时指定。它应该正好有 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层卷积层的 4D 张量输出。
    • avg 表示全局平均池化将应用于最后一层卷积层的输出,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:可选的类别数,用于将图像分类到其中,仅在 include_topTrue 且未指定 weights 参数时指定。默认为 1000(ImageNet 类别的数量)。
  • classifier_activation:一个 str 或可调用对象。在“顶部”层上使用的激活函数。除非 include_top=True,否则忽略。设置 classifier_activation=None 以返回“顶部”层的 logits。默认为 "softmax"。加载预训练权重时,classifier_activation 只能为 None"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

有关图像分类用例,请参阅此页面以获取详细示例。对于迁移学习用例,请务必阅读迁移学习和微调指南

baselargexlarge 模型首先在 ImageNet-21k 数据集上进行了预训练,然后在 ImageNet-1k 数据集上进行了微调。模型的预训练参数是从官方仓库中组装的。要了解这些参数如何转换为 Keras 兼容参数,请参阅此仓库

注意:每个 Keras 应用都期望特定类型的输入预处理。对于 ConvNeXt,预处理是使用 Normalization 层包含在模型中的。ConvNeXt 模型期望其输入为像素值为 [0-255] 范围内的浮点或 uint8 张量。

在实例化 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
  • weightsNone(随机初始化)、"imagenet"(在 ImageNet-1k 上进行预训练)或要加载的权重文件的路径之一。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,仅在 include_topFalse 时指定。它应该正好有 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层卷积层的 4D 张量输出。
    • avg 表示全局平均池化将应用于最后一层卷积层的输出,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:可选的类别数,用于将图像分类到其中,仅在 include_topTrue 且未指定 weights 参数时指定。默认为 1000(ImageNet 类别的数量)。
  • classifier_activation:一个 str 或可调用对象。在“顶部”层上使用的激活函数。除非 include_top=True,否则忽略。设置 classifier_activation=None 以返回“顶部”层的 logits。默认为 "softmax"。加载预训练权重时,classifier_activation 只能为 None"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

有关图像分类用例,请参阅此页面以获取详细示例。对于迁移学习用例,请务必阅读迁移学习和微调指南

baselargexlarge 模型首先在 ImageNet-21k 数据集上进行了预训练,然后在 ImageNet-1k 数据集上进行了微调。模型的预训练参数是从官方仓库中组装的。要了解这些参数如何转换为 Keras 兼容参数,请参阅此仓库

注意:每个 Keras 应用都期望特定类型的输入预处理。对于 ConvNeXt,预处理是使用 Normalization 层包含在模型中的。ConvNeXt 模型期望其输入为像素值为 [0-255] 范围内的浮点或 uint8 张量。

在实例化 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
  • weightsNone(随机初始化)、"imagenet"(在 ImageNet-1k 上进行预训练)或要加载的权重文件的路径之一。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,仅在 include_topFalse 时指定。它应该正好有 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层卷积层的 4D 张量输出。
    • avg 表示全局平均池化将应用于最后一层卷积层的输出,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:可选的类别数,用于将图像分类到其中,仅在 include_topTrue 且未指定 weights 参数时指定。默认为 1000(ImageNet 类别的数量)。
  • classifier_activation:一个 str 或可调用对象。在“顶部”层上使用的激活函数。除非 include_top=True,否则忽略。设置 classifier_activation=None 以返回“顶部”层的 logits。默认为 "softmax"。加载预训练权重时,classifier_activation 只能为 None"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

有关图像分类用例,请参阅此页面以获取详细示例。对于迁移学习用例,请务必阅读迁移学习和微调指南

baselargexlarge 模型首先在 ImageNet-21k 数据集上进行了预训练,然后在 ImageNet-1k 数据集上进行了微调。模型的预训练参数是从官方仓库中组装的。要了解这些参数如何转换为 Keras 兼容参数,请参阅此仓库

注意:每个 Keras 应用都期望特定类型的输入预处理。对于 ConvNeXt,预处理是使用 Normalization 层包含在模型中的。ConvNeXt 模型期望其输入为像素值为 [0-255] 范围内的浮点或 uint8 张量。

在实例化 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
  • weightsNone(随机初始化)、"imagenet"(在 ImageNet-1k 上进行预训练)或要加载的权重文件的路径之一。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,仅在 include_topFalse 时指定。它应该正好有 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层卷积层的 4D 张量输出。
    • avg 表示全局平均池化将应用于最后一层卷积层的输出,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:可选的类别数,用于将图像分类到其中,仅在 include_topTrue 且未指定 weights 参数时指定。默认为 1000(ImageNet 类别的数量)。
  • classifier_activation:一个 str 或可调用对象。在“顶部”层上使用的激活函数。除非 include_top=True,否则忽略。设置 classifier_activation=None 以返回“顶部”层的 logits。默认为 "softmax"。加载预训练权重时,classifier_activation 只能为 None"softmax"
  • name:模型的名称(字符串)。

返回值

一个模型实例。