EfficientNet B0 到 B7

[来源]

EfficientNetB0 函数

keras.applications.EfficientNetB0(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="efficientnetb0",
)

实例化 EfficientNetB0 架构。

参考

• EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks (ICML 2019)

此函数返回一个 Keras 图像分类模型，可以选择加载 ImageNet 上预训练的权重。

对于图像分类的使用案例，请参阅此页面获取详细示例。

对于迁移学习的使用案例，请务必阅读迁移学习和微调指南。

注意：每个 Keras 应用都期望特定类型的输入预处理。对于 EfficientNet，输入预处理作为模型的一部分包含在内（作为一个 Rescaling 层），因此 keras.applications.efficientnet.preprocess_input 实际上是一个直通函数。EfficientNet 模型期望其输入是像素值范围在 [0-255] 的浮点张量。

参数

• include_top: 是否在网络的顶部包含全连接层。默认为 True。
• weights: 以下之一：None（随机初始化），"imagenet"（在 ImageNet 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，仅在 include_top 为 False 时指定。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 意味着模型的输出将是最后一个卷积层的 4D 张量输出。
  • avg 意味着将全局平均池化应用于最后一个卷积层的输出，因此模型的输出将是 2D 张量。
  • max 意味着将应用全局最大池化。
• classes: 可选的图像分类类别数量，仅在 include_top 为 True 且未指定 weights 参数时指定。ImageNet 有 1000 个类别。默认为 1000。
• 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。设置为 classifier_activation=None 将返回“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"。
• name: 模型的名称（字符串）。

返回值

一个模型实例。

[来源]

EfficientNetB1 函数

keras.applications.EfficientNetB1(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="efficientnetb1",
)

实例化 EfficientNetB1 架构。

参考

• EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks (ICML 2019)

此函数返回一个 Keras 图像分类模型，可以选择加载 ImageNet 上预训练的权重。

对于图像分类的使用案例，请参阅此页面获取详细示例。

对于迁移学习的使用案例，请务必阅读迁移学习和微调指南。

注意：每个 Keras 应用都期望特定类型的输入预处理。对于 EfficientNet，输入预处理作为模型的一部分包含在内（作为一个 Rescaling 层），因此 keras.applications.efficientnet.preprocess_input 实际上是一个直通函数。EfficientNet 模型期望其输入是像素值范围在 [0-255] 的浮点张量。

参数

• include_top: 是否在网络的顶部包含全连接层。默认为 True。
• weights: 以下之一：None（随机初始化），"imagenet"（在 ImageNet 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，仅在 include_top 为 False 时指定。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 意味着模型的输出将是最后一个卷积层的 4D 张量输出。
  • avg 意味着将全局平均池化应用于最后一个卷积层的输出，因此模型的输出将是 2D 张量。
  • max 意味着将应用全局最大池化。
• classes: 可选的图像分类类别数量，仅在 include_top 为 True 且未指定 weights 参数时指定。ImageNet 有 1000 个类别。默认为 1000。
• 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。设置为 classifier_activation=None 将返回“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"。
• name: 模型的名称（字符串）。

返回值

一个模型实例。

[来源]

EfficientNetB2 函数

keras.applications.EfficientNetB2(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="efficientnetb2",
)

实例化 EfficientNetB2 架构。

参考

• EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks (ICML 2019)

此函数返回一个 Keras 图像分类模型，可以选择加载 ImageNet 上预训练的权重。

对于图像分类的使用案例，请参阅此页面获取详细示例。

对于迁移学习的使用案例，请务必阅读迁移学习和微调指南。

注意：每个 Keras 应用都期望特定类型的输入预处理。对于 EfficientNet，输入预处理作为模型的一部分包含在内（作为一个 Rescaling 层），因此 keras.applications.efficientnet.preprocess_input 实际上是一个直通函数。EfficientNet 模型期望其输入是像素值范围在 [0-255] 的浮点张量。

参数

• include_top: 是否在网络的顶部包含全连接层。默认为 True。
• weights: 以下之一：None（随机初始化），"imagenet"（在 ImageNet 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，仅在 include_top 为 False 时指定。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 意味着模型的输出将是最后一个卷积层的 4D 张量输出。
  • avg 意味着将全局平均池化应用于最后一个卷积层的输出，因此模型的输出将是 2D 张量。
  • max 意味着将应用全局最大池化。
• classes: 可选的图像分类类别数量，仅在 include_top 为 True 且未指定 weights 参数时指定。ImageNet 有 1000 个类别。默认为 1000。
• 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。设置为 classifier_activation=None 将返回“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"。
• name: 模型的名称（字符串）。

返回值

一个模型实例。

[来源]

EfficientNetB3 函数

keras.applications.EfficientNetB3(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="efficientnetb3",
)

实例化 EfficientNetB3 架构。

参考

• EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks (ICML 2019)

此函数返回一个 Keras 图像分类模型，可以选择加载 ImageNet 上预训练的权重。

对于图像分类的使用案例，请参阅此页面获取详细示例。

对于迁移学习的使用案例，请务必阅读迁移学习和微调指南。

注意：每个 Keras 应用都期望特定类型的输入预处理。对于 EfficientNet，输入预处理作为模型的一部分包含在内（作为一个 Rescaling 层），因此 keras.applications.efficientnet.preprocess_input 实际上是一个直通函数。EfficientNet 模型期望其输入是像素值范围在 [0-255] 的浮点张量。

参数

• include_top: 是否在网络的顶部包含全连接层。默认为 True。
• weights: 以下之一：None（随机初始化），"imagenet"（在 ImageNet 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，仅在 include_top 为 False 时指定。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 意味着模型的输出将是最后一个卷积层的 4D 张量输出。
  • avg 意味着将全局平均池化应用于最后一个卷积层的输出，因此模型的输出将是 2D 张量。
  • max 意味着将应用全局最大池化。
• classes: 可选的图像分类类别数量，仅在 include_top 为 True 且未指定 weights 参数时指定。ImageNet 有 1000 个类别。默认为 1000。
• 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。设置为 classifier_activation=None 将返回“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"。
• name: 模型的名称（字符串）。

返回值

一个模型实例。

[来源]

EfficientNetB4 函数

keras.applications.EfficientNetB4(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="efficientnetb4",
)

实例化 EfficientNetB4 架构。

参考

• EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks (ICML 2019)

此函数返回一个 Keras 图像分类模型，可以选择加载 ImageNet 上预训练的权重。

对于图像分类的使用案例，请参阅此页面获取详细示例。

对于迁移学习的使用案例，请务必阅读迁移学习和微调指南。

注意：每个 Keras 应用都期望特定类型的输入预处理。对于 EfficientNet，输入预处理作为模型的一部分包含在内（作为一个 Rescaling 层），因此 keras.applications.efficientnet.preprocess_input 实际上是一个直通函数。EfficientNet 模型期望其输入是像素值范围在 [0-255] 的浮点张量。

参数

• include_top: 是否在网络的顶部包含全连接层。默认为 True。
• weights: 以下之一：None（随机初始化），"imagenet"（在 ImageNet 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，仅在 include_top 为 False 时指定。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 意味着模型的输出将是最后一个卷积层的 4D 张量输出。
  • avg 意味着将全局平均池化应用于最后一个卷积层的输出，因此模型的输出将是 2D 张量。
  • max 意味着将应用全局最大池化。
• classes: 可选的图像分类类别数量，仅在 include_top 为 True 且未指定 weights 参数时指定。ImageNet 有 1000 个类别。默认为 1000。
• 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。设置为 classifier_activation=None 将返回“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"。
• name: 模型的名称（字符串）。

返回值

一个模型实例。

[来源]

EfficientNetB5 函数

keras.applications.EfficientNetB5(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="efficientnetb5",
)

实例化 EfficientNetB5 架构。

参考

• EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks (ICML 2019)

此函数返回一个 Keras 图像分类模型，可以选择加载 ImageNet 上预训练的权重。

对于图像分类的使用案例，请参阅此页面获取详细示例。

对于迁移学习的使用案例，请务必阅读迁移学习和微调指南。

注意：每个 Keras 应用都期望特定类型的输入预处理。对于 EfficientNet，输入预处理作为模型的一部分包含在内（作为一个 Rescaling 层），因此 keras.applications.efficientnet.preprocess_input 实际上是一个直通函数。EfficientNet 模型期望其输入是像素值范围在 [0-255] 的浮点张量。

参数

• include_top: 是否在网络的顶部包含全连接层。默认为 True。
• weights: 以下之一：None（随机初始化），"imagenet"（在 ImageNet 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，仅在 include_top 为 False 时指定。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 意味着模型的输出将是最后一个卷积层的 4D 张量输出。
  • avg 意味着将全局平均池化应用于最后一个卷积层的输出，因此模型的输出将是 2D 张量。
  • max 意味着将应用全局最大池化。
• classes: 可选的图像分类类别数量，仅在 include_top 为 True 且未指定 weights 参数时指定。ImageNet 有 1000 个类别。默认为 1000。
• 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。设置为 classifier_activation=None 将返回“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"。
• name: 模型的名称（字符串）。

返回值

一个模型实例。

[来源]

EfficientNetB6 函数

keras.applications.EfficientNetB6(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="efficientnetb6",
)

实例化 EfficientNetB6 架构。

参考

• EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks (ICML 2019)

此函数返回一个 Keras 图像分类模型，可以选择加载 ImageNet 上预训练的权重。

对于图像分类的使用案例，请参阅此页面获取详细示例。

对于迁移学习的使用案例，请务必阅读迁移学习和微调指南。

注意：每个 Keras 应用都期望特定类型的输入预处理。对于 EfficientNet，输入预处理作为模型的一部分包含在内（作为一个 Rescaling 层），因此 keras.applications.efficientnet.preprocess_input 实际上是一个直通函数。EfficientNet 模型期望其输入是像素值范围在 [0-255] 的浮点张量。

参数

• include_top: 是否在网络的顶部包含全连接层。默认为 True。
• weights: 以下之一：None（随机初始化），"imagenet"（在 ImageNet 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，仅在 include_top 为 False 时指定。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 意味着模型的输出将是最后一个卷积层的 4D 张量输出。
  • avg 意味着将全局平均池化应用于最后一个卷积层的输出，因此模型的输出将是 2D 张量。
  • max 意味着将应用全局最大池化。
• classes: 可选的图像分类类别数量，仅在 include_top 为 True 且未指定 weights 参数时指定。ImageNet 有 1000 个类别。默认为 1000。
• 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。设置为 classifier_activation=None 将返回“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"。
• name: 模型的名称（字符串）。

返回值

一个模型实例。

[来源]

EfficientNetB7 函数

keras.applications.EfficientNetB7(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="efficientnetb7",
)

实例化 EfficientNetB7 架构。

参考

• EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks (ICML 2019)

此函数返回一个 Keras 图像分类模型，可以选择加载 ImageNet 上预训练的权重。

对于图像分类的使用案例，请参阅此页面获取详细示例。

对于迁移学习的使用案例，请务必阅读迁移学习和微调指南。

注意：每个 Keras 应用都期望特定类型的输入预处理。对于 EfficientNet，输入预处理作为模型的一部分包含在内（作为一个 Rescaling 层），因此 keras.applications.efficientnet.preprocess_input 实际上是一个直通函数。EfficientNet 模型期望其输入是像素值范围在 [0-255] 的浮点张量。

参数

• include_top: 是否在网络的顶部包含全连接层。默认为 True。
• weights: 以下之一：None（随机初始化），"imagenet"（在 ImageNet 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，仅在 include_top 为 False 时指定。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 意味着模型的输出将是最后一个卷积层的 4D 张量输出。
  • avg 意味着将全局平均池化应用于最后一个卷积层的输出，因此模型的输出将是 2D 张量。
  • max 意味着将应用全局最大池化。
• classes: 可选的图像分类类别数量，仅在 include_top 为 True 且未指定 weights 参数时指定。ImageNet 有 1000 个类别。默认为 1000。
• 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。设置为 classifier_activation=None 将返回“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"。
• name: 模型的名称（字符串）。

返回值

一个模型实例。