EfficientNet B0 到 B7

[来源]

EfficientNetB0 函数

tf_keras.applications.EfficientNetB0(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    **kwargs
)

实例化 EfficientNetB0 架构。

参考

• EfficientNet：重新思考卷积神经网络的模型缩放 (ICML 2019)

此函数返回一个 TF-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 TF-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 tf.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。
• weights：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之一。默认为 'imagenet'。
• input_tensor：可选的 TF-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。它应该恰好有 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：可选的图像分类类别数，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，否则会被忽略。将 classifier_activation 设置为 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"。

返回值

一个 keras.Model 实例。

[来源]

EfficientNetB1 函数

tf_keras.applications.EfficientNetB1(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    **kwargs
)

实例化 EfficientNetB1 架构。

参考

• EfficientNet：重新思考卷积神经网络的模型缩放 (ICML 2019)

此函数返回一个 TF-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 TF-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 tf.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。
• weights：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之一。默认为 'imagenet'。
• input_tensor：可选的 TF-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。它应该恰好有 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：可选的图像分类类别数，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，否则会被忽略。将 classifier_activation 设置为 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"。

返回值

一个 keras.Model 实例。

[来源]

EfficientNetB2 函数

tf_keras.applications.EfficientNetB2(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    **kwargs
)

实例化 EfficientNetB2 架构。

参考

• EfficientNet：重新思考卷积神经网络的模型缩放 (ICML 2019)

此函数返回一个 TF-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 TF-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 tf.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。
• weights：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之一。默认为 'imagenet'。
• input_tensor：可选的 TF-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。它应该恰好有 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：可选的图像分类类别数，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，否则会被忽略。将 classifier_activation 设置为 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"。

返回值

一个 keras.Model 实例。

[来源]

EfficientNetB3 函数

tf_keras.applications.EfficientNetB3(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    **kwargs
)

实例化 EfficientNetB3 架构。

参考

• EfficientNet：重新思考卷积神经网络的模型缩放 (ICML 2019)

此函数返回一个 TF-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 TF-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 tf.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。
• weights：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之一。默认为 'imagenet'。
• input_tensor：可选的 TF-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。它应该恰好有 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：可选的图像分类类别数，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，否则会被忽略。将 classifier_activation 设置为 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"。

返回值

一个 keras.Model 实例。

[来源]

EfficientNetB4 函数

tf_keras.applications.EfficientNetB4(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    **kwargs
)

实例化 EfficientNetB4 架构。

参考

• EfficientNet：重新思考卷积神经网络的模型缩放 (ICML 2019)

此函数返回一个 TF-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 TF-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 tf.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。
• weights：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之一。默认为 'imagenet'。
• input_tensor：可选的 TF-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。它应该恰好有 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：可选的图像分类类别数，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，否则会被忽略。将 classifier_activation 设置为 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"。

返回值

一个 keras.Model 实例。

[来源]

EfficientNetB5 函数

tf_keras.applications.EfficientNetB5(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    **kwargs
)

实例化 EfficientNetB5 架构。

参考

• EfficientNet：重新思考卷积神经网络的模型缩放 (ICML 2019)

此函数返回一个 TF-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 TF-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 tf.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。
• weights：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之一。默认为 'imagenet'。
• input_tensor：可选的 TF-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。它应该恰好有 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：可选的图像分类类别数，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，否则会被忽略。将 classifier_activation 设置为 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"。

返回值

一个 keras.Model 实例。

[来源]

EfficientNetB6 函数

tf_keras.applications.EfficientNetB6(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    **kwargs
)

实例化 EfficientNetB6 架构。

参考

• EfficientNet：重新思考卷积神经网络的模型缩放 (ICML 2019)

此函数返回一个 TF-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 TF-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 tf.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。
• weights：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之一。默认为 'imagenet'。
• input_tensor：可选的 TF-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。它应该恰好有 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：可选的图像分类类别数，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，否则会被忽略。将 classifier_activation 设置为 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"。

返回值

一个 keras.Model 实例。

[来源]

EfficientNetB7 函数

tf_keras.applications.EfficientNetB7(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    **kwargs
)

实例化 EfficientNetB7 架构。

参考

• EfficientNet：重新思考卷积神经网络的模型缩放 (ICML 2019)

此函数返回一个 TF-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 TF-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 tf.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。
• weights：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之一。默认为 'imagenet'。
• input_tensor：可选的 TF-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。它应该恰好有 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：可选的图像分类类别数，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，否则会被忽略。将 classifier_activation 设置为 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"。

返回值

一个 keras.Model 实例。