EfficientNet B0 到 B7

[源代码]

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，可选择加载在 ImageNet 上预训练的权重。

对于图像分类用例，请参阅此页面获取详细示例。

对于迁移学习用例，请务必阅读迁移学习和微调指南。

注意：每个 Keras Application 都期望特定的输入预处理。对于 EfficientNet，输入预处理已包含在模型中（作为一个 Rescaling 层），因此 keras.applications.efficientnet.preprocess_input 函数实际上是一个直通函数。EfficientNet 模型期望输入是像素值的浮点张量，取值范围为 [0-255]。

参数

• include_top：是否包含网络顶部的全连接层。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一个 2D 张量。
  • max 表示将应用全局最大池化。
• classes：可选的图像分类类别数，仅当 `include_top` 为 True 且未指定 `weights` 参数时才指定。1000 是 ImageNet 的类别数。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，否则会被忽略。将 classifier_activation=None 设置为返回“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

一个模型实例。

[源代码]

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，可选择加载在 ImageNet 上预训练的权重。

对于图像分类用例，请参阅此页面获取详细示例。

对于迁移学习用例，请务必阅读迁移学习和微调指南。

注意：每个 Keras Application 都期望特定的输入预处理。对于 EfficientNet，输入预处理已包含在模型中（作为一个 Rescaling 层），因此 keras.applications.efficientnet.preprocess_input 函数实际上是一个直通函数。EfficientNet 模型期望输入是像素值的浮点张量，取值范围为 [0-255]。

参数

• include_top：是否包含网络顶部的全连接层。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一个 2D 张量。
  • max 表示将应用全局最大池化。
• classes：可选的图像分类类别数，仅当 `include_top` 为 True 且未指定 `weights` 参数时才指定。1000 是 ImageNet 的类别数。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，否则会被忽略。将 classifier_activation=None 设置为返回“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

一个模型实例。

[源代码]

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，可选择加载在 ImageNet 上预训练的权重。

对于图像分类用例，请参阅此页面获取详细示例。

对于迁移学习用例，请务必阅读迁移学习和微调指南。

注意：每个 Keras Application 都期望特定的输入预处理。对于 EfficientNet，输入预处理已包含在模型中（作为一个 Rescaling 层），因此 keras.applications.efficientnet.preprocess_input 函数实际上是一个直通函数。EfficientNet 模型期望输入是像素值的浮点张量，取值范围为 [0-255]。

参数

• include_top：是否包含网络顶部的全连接层。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一个 2D 张量。
  • max 表示将应用全局最大池化。
• classes：可选的图像分类类别数，仅当 `include_top` 为 True 且未指定 `weights` 参数时才指定。1000 是 ImageNet 的类别数。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，否则会被忽略。将 classifier_activation=None 设置为返回“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

一个模型实例。

[源代码]

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，可选择加载在 ImageNet 上预训练的权重。

对于图像分类用例，请参阅此页面获取详细示例。

对于迁移学习用例，请务必阅读迁移学习和微调指南。

注意：每个 Keras Application 都期望特定的输入预处理。对于 EfficientNet，输入预处理已包含在模型中（作为一个 Rescaling 层），因此 keras.applications.efficientnet.preprocess_input 函数实际上是一个直通函数。EfficientNet 模型期望输入是像素值的浮点张量，取值范围为 [0-255]。

参数

• include_top：是否包含网络顶部的全连接层。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一个 2D 张量。
  • max 表示将应用全局最大池化。
• classes：可选的图像分类类别数，仅当 `include_top` 为 True 且未指定 `weights` 参数时才指定。1000 是 ImageNet 的类别数。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，否则会被忽略。将 classifier_activation=None 设置为返回“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

一个模型实例。

[源代码]

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，可选择加载在 ImageNet 上预训练的权重。

对于图像分类用例，请参阅此页面获取详细示例。

对于迁移学习用例，请务必阅读迁移学习和微调指南。

注意：每个 Keras Application 都期望特定的输入预处理。对于 EfficientNet，输入预处理已包含在模型中（作为一个 Rescaling 层），因此 keras.applications.efficientnet.preprocess_input 函数实际上是一个直通函数。EfficientNet 模型期望输入是像素值的浮点张量，取值范围为 [0-255]。

参数

• include_top：是否包含网络顶部的全连接层。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一个 2D 张量。
  • max 表示将应用全局最大池化。
• classes：可选的图像分类类别数，仅当 `include_top` 为 True 且未指定 `weights` 参数时才指定。1000 是 ImageNet 的类别数。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，否则会被忽略。将 classifier_activation=None 设置为返回“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

一个模型实例。

[源代码]

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，可选择加载在 ImageNet 上预训练的权重。

对于图像分类用例，请参阅此页面获取详细示例。

对于迁移学习用例，请务必阅读迁移学习和微调指南。

注意：每个 Keras Application 都期望特定的输入预处理。对于 EfficientNet，输入预处理已包含在模型中（作为一个 Rescaling 层），因此 keras.applications.efficientnet.preprocess_input 函数实际上是一个直通函数。EfficientNet 模型期望输入是像素值的浮点张量，取值范围为 [0-255]。

参数

• include_top：是否包含网络顶部的全连接层。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一个 2D 张量。
  • max 表示将应用全局最大池化。
• classes：可选的图像分类类别数，仅当 `include_top` 为 True 且未指定 `weights` 参数时才指定。1000 是 ImageNet 的类别数。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，否则会被忽略。将 classifier_activation=None 设置为返回“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

一个模型实例。

[源代码]

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，可选择加载在 ImageNet 上预训练的权重。

对于图像分类用例，请参阅此页面获取详细示例。

对于迁移学习用例，请务必阅读迁移学习和微调指南。

注意：每个 Keras Application 都期望特定的输入预处理。对于 EfficientNet，输入预处理已包含在模型中（作为一个 Rescaling 层），因此 keras.applications.efficientnet.preprocess_input 函数实际上是一个直通函数。EfficientNet 模型期望输入是像素值的浮点张量，取值范围为 [0-255]。

参数

• include_top：是否包含网络顶部的全连接层。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一个 2D 张量。
  • max 表示将应用全局最大池化。
• classes：可选的图像分类类别数，仅当 `include_top` 为 True 且未指定 `weights` 参数时才指定。1000 是 ImageNet 的类别数。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，否则会被忽略。将 classifier_activation=None 设置为返回“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

一个模型实例。

[源代码]

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，可选择加载在 ImageNet 上预训练的权重。

对于图像分类用例，请参阅此页面获取详细示例。

对于迁移学习用例，请务必阅读迁移学习和微调指南。

注意：每个 Keras Application 都期望特定的输入预处理。对于 EfficientNet，输入预处理已包含在模型中（作为一个 Rescaling 层），因此 keras.applications.efficientnet.preprocess_input 函数实际上是一个直通函数。EfficientNet 模型期望输入是像素值的浮点张量，取值范围为 [0-255]。

参数

• include_top：是否包含网络顶部的全连接层。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一个 2D 张量。
  • max 表示将应用全局最大池化。
• classes：可选的图像分类类别数，仅当 `include_top` 为 True 且未指定 `weights` 参数时才指定。1000 是 ImageNet 的类别数。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，否则会被忽略。将 classifier_activation=None 设置为返回“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

一个模型实例。