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

EfficientNet B0 至 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

此函数返回一个 Keras 图像分类模型,可以选择加载在 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

注意:每个 Keras 应用都期望特定类型的输入预处理。对于 EfficientNet,输入预处理包含在模型中(作为Rescaling层),因此keras.applications.efficientnet.preprocess_input实际上是一个直通函数。EfficientNet 模型期望其输入为像素值为[0-255]范围内的浮点张量。

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 上预训练)或要加载的权重文件的路径之一。默认为"imagenet"
  • input_tensor:可选 Keras 张量(即layers.Input()的输出),用作模型的图像输入。
  • input_shape:可选形状元组,仅在include_top为 False 时指定。它应该恰好有 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:可选类别数,用于将图像分类到其中,仅在include_top为 True 且未指定weights参数时指定。1000 是 ImageNet 类别的数量。默认为1000
  • classifier_activation:一个str或可调用对象。要对“顶部”层使用的激活函数。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

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

此函数返回一个 Keras 图像分类模型,可以选择加载在 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

注意:每个 Keras 应用都期望特定类型的输入预处理。对于 EfficientNet,输入预处理包含在模型中(作为Rescaling层),因此keras.applications.efficientnet.preprocess_input实际上是一个直通函数。EfficientNet 模型期望其输入为像素值为[0-255]范围内的浮点张量。

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 上预训练)或要加载的权重文件的路径之一。默认为"imagenet"
  • input_tensor:可选 Keras 张量(即layers.Input()的输出),用作模型的图像输入。
  • input_shape:可选形状元组,仅在include_top为 False 时指定。它应该恰好有 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:可选类别数,用于将图像分类到其中,仅在include_top为 True 且未指定weights参数时指定。1000 是 ImageNet 类别的数量。默认为1000
  • classifier_activation:一个str或可调用对象。要对“顶部”层使用的激活函数。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

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

此函数返回一个 Keras 图像分类模型,可以选择加载在 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

注意:每个 Keras 应用都期望特定类型的输入预处理。对于 EfficientNet,输入预处理包含在模型中(作为Rescaling层),因此keras.applications.efficientnet.preprocess_input实际上是一个直通函数。EfficientNet 模型期望其输入为像素值为[0-255]范围内的浮点张量。

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 上预训练)或要加载的权重文件的路径之一。默认为"imagenet"
  • input_tensor:可选 Keras 张量(即layers.Input()的输出),用作模型的图像输入。
  • input_shape:可选形状元组,仅在include_top为 False 时指定。它应该恰好有 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:可选类别数,用于将图像分类到其中,仅在include_top为 True 且未指定weights参数时指定。1000 是 ImageNet 类别的数量。默认为1000
  • classifier_activation:一个str或可调用对象。要对“顶部”层使用的激活函数。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

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

此函数返回一个 Keras 图像分类模型,可以选择加载在 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

注意:每个 Keras 应用都期望特定类型的输入预处理。对于 EfficientNet,输入预处理包含在模型中(作为Rescaling层),因此keras.applications.efficientnet.preprocess_input实际上是一个直通函数。EfficientNet 模型期望其输入为像素值为[0-255]范围内的浮点张量。

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 上预训练)或要加载的权重文件的路径之一。默认为"imagenet"
  • input_tensor:可选 Keras 张量(即layers.Input()的输出),用作模型的图像输入。
  • input_shape:可选形状元组,仅在include_top为 False 时指定。它应该恰好有 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:可选类别数,用于将图像分类到其中,仅在include_top为 True 且未指定weights参数时指定。1000 是 ImageNet 类别的数量。默认为1000
  • classifier_activation:一个str或可调用对象。要对“顶部”层使用的激活函数。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

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

此函数返回一个 Keras 图像分类模型,可以选择加载在 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

注意:每个 Keras 应用都期望特定类型的输入预处理。对于 EfficientNet,输入预处理包含在模型中(作为Rescaling层),因此keras.applications.efficientnet.preprocess_input实际上是一个直通函数。EfficientNet 模型期望其输入为像素值为[0-255]范围内的浮点张量。

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 上预训练)或要加载的权重文件的路径之一。默认为"imagenet"
  • input_tensor:可选 Keras 张量(即layers.Input()的输出),用作模型的图像输入。
  • input_shape:可选形状元组,仅在include_top为 False 时指定。它应该恰好有 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:可选类别数,用于将图像分类到其中,仅在include_top为 True 且未指定weights参数时指定。1000 是 ImageNet 类别的数量。默认为1000
  • classifier_activation:一个str或可调用对象。要对“顶部”层使用的激活函数。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

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

此函数返回一个 Keras 图像分类模型,可以选择加载在 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

注意:每个 Keras 应用都期望特定类型的输入预处理。对于 EfficientNet,输入预处理包含在模型中(作为Rescaling层),因此keras.applications.efficientnet.preprocess_input实际上是一个直通函数。EfficientNet 模型期望其输入为像素值为[0-255]范围内的浮点张量。

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 上预训练)或要加载的权重文件的路径之一。默认为"imagenet"
  • input_tensor:可选 Keras 张量(即layers.Input()的输出),用作模型的图像输入。
  • input_shape:可选形状元组,仅在include_top为 False 时指定。它应该恰好有 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:可选类别数,用于将图像分类到其中,仅在include_top为 True 且未指定weights参数时指定。1000 是 ImageNet 类别的数量。默认为1000
  • classifier_activation:一个str或可调用对象。要对“顶部”层使用的激活函数。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

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

此函数返回一个 Keras 图像分类模型,可以选择加载在 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

注意:每个 Keras 应用都期望特定类型的输入预处理。对于 EfficientNet,输入预处理包含在模型中(作为Rescaling层),因此keras.applications.efficientnet.preprocess_input实际上是一个直通函数。EfficientNet 模型期望其输入为像素值为[0-255]范围内的浮点张量。

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 上预训练)或要加载的权重文件的路径之一。默认为"imagenet"
  • input_tensor:可选 Keras 张量(即layers.Input()的输出),用作模型的图像输入。
  • input_shape:可选形状元组,仅在include_top为 False 时指定。它应该恰好有 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:可选类别数,用于将图像分类到其中,仅在include_top为 True 且未指定weights参数时指定。1000 是 ImageNet 类别的数量。默认为1000
  • classifier_activation:一个str或可调用对象。要对“顶部”层使用的激活函数。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

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

此函数返回一个 Keras 图像分类模型,可以选择加载在 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

注意:每个 Keras 应用都期望特定类型的输入预处理。对于 EfficientNet,输入预处理包含在模型中(作为Rescaling层),因此keras.applications.efficientnet.preprocess_input实际上是一个直通函数。EfficientNet 模型期望其输入为像素值为[0-255]范围内的浮点张量。

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 上预训练)或要加载的权重文件的路径之一。默认为"imagenet"
  • input_tensor:可选 Keras 张量(即layers.Input()的输出),用作模型的图像输入。
  • input_shape:可选形状元组,仅在include_top为 False 时指定。它应该恰好有 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:可选类别数,用于将图像分类到其中,仅在include_top为 True 且未指定weights参数时指定。1000 是 ImageNet 类别的数量。默认为1000
  • classifier_activation:一个str或可调用对象。要对“顶部”层使用的激活函数。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

模型实例。