EfficientNetV2 B0 到 B3 和 S、M、L

[源代码]

EfficientNetV2B0 函数

keras.applications.EfficientNetV2B0(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    include_preprocessing=True,
    name="efficientnetv2-b0",
)

实例化 EfficientNetV2B0 架构。

参考

• EfficientNetV2: Smaller Models and Faster Training (ICML 2021)

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 应用都期望特定的输入预处理。对于 EfficientNetV2，默认情况下，输入预处理包含在模型中（作为Rescaling层），因此keras.applications.efficientnet_v2.preprocess_input实际上是一个直通函数。在此用例中，EfficientNetV2 模型期望其输入是像素值的浮点张量，取值范围为[0, 255]。同时，可以通过将include_preprocessing参数设置为False来禁用模型中的预处理（即Rescaling层）。禁用预处理后，EfficientNetV2 模型期望其输入是像素值的浮点张量，取值范围为[-1, 1]。

参数

• include_top：布尔值，是否在网络顶部包含全连接层。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"表示将全局最大池化应用于。
• classes：可选的将图像分类到的类数，仅当include_top为True且未指定weights参数时指定。默认为1000（ImageNet类的数量）。
• classifier_activation：一个字符串或可调用对象。用于“顶部”层的激活函数。仅当include_top=True时才忽略。设置为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或"softmax"。
• name：模型的名称 (字符串)。

返回

一个模型实例。

[源代码]

EfficientNetV2B1 函数

keras.applications.EfficientNetV2B1(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    include_preprocessing=True,
    name="efficientnetv2-b1",
)

实例化 EfficientNetV2B1 架构。

参考

• EfficientNetV2: Smaller Models and Faster Training (ICML 2021)

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 应用都期望特定的输入预处理。对于 EfficientNetV2，默认情况下，输入预处理包含在模型中（作为Rescaling层），因此keras.applications.efficientnet_v2.preprocess_input实际上是一个直通函数。在此用例中，EfficientNetV2 模型期望其输入是像素值的浮点张量，取值范围为[0, 255]。同时，可以通过将include_preprocessing参数设置为False来禁用模型中的预处理（即Rescaling层）。禁用预处理后，EfficientNetV2 模型期望其输入是像素值的浮点张量，取值范围为[-1, 1]。

参数

• include_top：布尔值，是否在网络顶部包含全连接层。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"表示将全局最大池化应用于。
• classes：可选的将图像分类到的类数，仅当include_top为True且未指定weights参数时指定。默认为1000（ImageNet类的数量）。
• classifier_activation：一个字符串或可调用对象。用于“顶部”层的激活函数。仅当include_top=True时才忽略。设置为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或"softmax"。
• name：模型的名称 (字符串)。

返回

一个模型实例。

[源代码]

EfficientNetV2B2 函数

keras.applications.EfficientNetV2B2(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    include_preprocessing=True,
    name="efficientnetv2-b2",
)

实例化 EfficientNetV2B2 架构。

参考

• EfficientNetV2: Smaller Models and Faster Training (ICML 2021)

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 应用都期望特定的输入预处理。对于 EfficientNetV2，默认情况下，输入预处理包含在模型中（作为Rescaling层），因此keras.applications.efficientnet_v2.preprocess_input实际上是一个直通函数。在此用例中，EfficientNetV2 模型期望其输入是像素值的浮点张量，取值范围为[0, 255]。同时，可以通过将include_preprocessing参数设置为False来禁用模型中的预处理（即Rescaling层）。禁用预处理后，EfficientNetV2 模型期望其输入是像素值的浮点张量，取值范围为[-1, 1]。

参数

• include_top：布尔值，是否在网络顶部包含全连接层。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"表示将全局最大池化应用于。
• classes：可选的将图像分类到的类数，仅当include_top为True且未指定weights参数时指定。默认为1000（ImageNet类的数量）。
• classifier_activation：一个字符串或可调用对象。用于“顶部”层的激活函数。仅当include_top=True时才忽略。设置为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或"softmax"。
• name：模型的名称 (字符串)。

返回

一个模型实例。

[源代码]

EfficientNetV2B3 函数

keras.applications.EfficientNetV2B3(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    include_preprocessing=True,
    name="efficientnetv2-b3",
)

实例化 EfficientNetV2B3 架构。

参考

• EfficientNetV2: Smaller Models and Faster Training (ICML 2021)

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 应用都期望特定的输入预处理。对于 EfficientNetV2，默认情况下，输入预处理包含在模型中（作为Rescaling层），因此keras.applications.efficientnet_v2.preprocess_input实际上是一个直通函数。在此用例中，EfficientNetV2 模型期望其输入是像素值的浮点张量，取值范围为[0, 255]。同时，可以通过将include_preprocessing参数设置为False来禁用模型中的预处理（即Rescaling层）。禁用预处理后，EfficientNetV2 模型期望其输入是像素值的浮点张量，取值范围为[-1, 1]。

参数

• include_top：布尔值，是否在网络顶部包含全连接层。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"表示将全局最大池化应用于。
• classes：可选的将图像分类到的类数，仅当include_top为True且未指定weights参数时指定。默认为1000（ImageNet类的数量）。
• classifier_activation：一个字符串或可调用对象。用于“顶部”层的激活函数。仅当include_top=True时才忽略。设置为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或"softmax"。
• name：模型的名称 (字符串)。

返回

一个模型实例。

[源代码]

EfficientNetV2S 函数

keras.applications.EfficientNetV2S(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    include_preprocessing=True,
    name="efficientnetv2-s",
)

实例化 EfficientNetV2S 架构。

参考

• EfficientNetV2: Smaller Models and Faster Training (ICML 2021)

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 应用都期望特定的输入预处理。对于 EfficientNetV2，默认情况下，输入预处理包含在模型中（作为Rescaling层），因此keras.applications.efficientnet_v2.preprocess_input实际上是一个直通函数。在此用例中，EfficientNetV2 模型期望其输入是像素值的浮点张量，取值范围为[0, 255]。同时，可以通过将include_preprocessing参数设置为False来禁用模型中的预处理（即Rescaling层）。禁用预处理后，EfficientNetV2 模型期望其输入是像素值的浮点张量，取值范围为[-1, 1]。

参数

• include_top：布尔值，是否在网络顶部包含全连接层。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"表示将全局最大池化应用于。
• classes：可选的将图像分类到的类数，仅当include_top为True且未指定weights参数时指定。默认为1000（ImageNet类的数量）。
• classifier_activation：一个字符串或可调用对象。用于“顶部”层的激活函数。仅当include_top=True时才忽略。设置为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或"softmax"。
• name：模型的名称 (字符串)。

返回

一个模型实例。

[源代码]

EfficientNetV2M 函数

keras.applications.EfficientNetV2M(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    include_preprocessing=True,
    name="efficientnetv2-m",
)

实例化 EfficientNetV2M 架构。

参考

• EfficientNetV2: Smaller Models and Faster Training (ICML 2021)

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 应用都期望特定的输入预处理。对于 EfficientNetV2，默认情况下，输入预处理包含在模型中（作为Rescaling层），因此keras.applications.efficientnet_v2.preprocess_input实际上是一个直通函数。在此用例中，EfficientNetV2 模型期望其输入是像素值的浮点张量，取值范围为[0, 255]。同时，可以通过将include_preprocessing参数设置为False来禁用模型中的预处理（即Rescaling层）。禁用预处理后，EfficientNetV2 模型期望其输入是像素值的浮点张量，取值范围为[-1, 1]。

参数

• include_top：布尔值，是否在网络顶部包含全连接层。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"表示将全局最大池化应用于。
• classes：可选的将图像分类到的类数，仅当include_top为True且未指定weights参数时指定。默认为1000（ImageNet类的数量）。
• classifier_activation：一个字符串或可调用对象。用于“顶部”层的激活函数。仅当include_top=True时才忽略。设置为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或"softmax"。
• name：模型的名称 (字符串)。

返回

一个模型实例。

[源代码]

EfficientNetV2L 函数

keras.applications.EfficientNetV2L(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    include_preprocessing=True,
    name="efficientnetv2-l",
)

实例化 EfficientNetV2L 架构。

参考

• EfficientNetV2: Smaller Models and Faster Training (ICML 2021)

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 应用都期望特定的输入预处理。对于 EfficientNetV2，默认情况下，输入预处理包含在模型中（作为Rescaling层），因此keras.applications.efficientnet_v2.preprocess_input实际上是一个直通函数。在此用例中，EfficientNetV2 模型期望其输入是像素值的浮点张量，取值范围为[0, 255]。同时，可以通过将include_preprocessing参数设置为False来禁用模型中的预处理（即Rescaling层）。禁用预处理后，EfficientNetV2 模型期望其输入是像素值的浮点张量，取值范围为[-1, 1]。

参数

• include_top：布尔值，是否在网络顶部包含全连接层。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"表示将全局最大池化应用于。
• classes：可选的将图像分类到的类数，仅当include_top为True且未指定weights参数时指定。默认为1000（ImageNet类的数量）。
• classifier_activation：一个字符串或可调用对象。用于“顶部”层的激活函数。仅当include_top=True时才忽略。设置为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或"softmax"。
• name：模型的名称 (字符串)。

返回

一个模型实例。