Keras 3 API 文档 / Keras 应用 / EfficientNet B0 到 B7

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

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_topFalse 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"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

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_topFalse 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"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

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_topFalse 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"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

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_topFalse 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"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

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_topFalse 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"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

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_topFalse 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"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

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_topFalse 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"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

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_topFalse 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"softmax"
  • name: 模型的名称(字符串)。

返回值

一个模型实例。