EfficientNetV2 B0 至 B3 以及 S、M、L

[来源]

EfficientNetV2B0 函数

tf_keras.applications.EfficientNetV2B0(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    include_preprocessing=True,
)

实例化 EfficientNetV2B0 架构。

参考文献

• EfficientNetV2：更小的模型和更快的训练 (ICML 2021)

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 EfficientNetV2，默认情况下，输入预处理包含在模型中（作为 Rescaling 层），因此 tf.keras.applications.efficientnet_v2.preprocess_input 实际上是一个直通函数。在这种情况下，EfficientNetV2 模型期望它们的输入是像素值范围在 [0-255] 内的浮点张量。同时，可以通过将 include_preprocessing 参数设置为 False 来禁用模型中的一部分预处理（即 Rescaling 层）。如果禁用预处理，EfficientNetV2 模型期望它们的输入是像素值范围在 [-1, 1] 内的浮点张量。

参数

• include_top：布尔值，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。
  • 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。默认为 None。
• classes：可选的类别数，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：字符串或可调用对象。“顶部”层的激活函数。除非 include_top=True，否则会被忽略。设置 classifier_activation=None 以返回“顶部”层的 logits。加载预训练权重时，classifier_activation 只能是 None 或 "softmax"。默认为 "softmax"。

返回值

一个 keras.Model 实例。

[来源]

EfficientNetV2B1 函数

tf_keras.applications.EfficientNetV2B1(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    include_preprocessing=True,
)

实例化 EfficientNetV2B1 架构。

参考文献

• EfficientNetV2：更小的模型和更快的训练 (ICML 2021)

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 EfficientNetV2，默认情况下，输入预处理包含在模型中（作为 Rescaling 层），因此 tf.keras.applications.efficientnet_v2.preprocess_input 实际上是一个直通函数。在这种情况下，EfficientNetV2 模型期望它们的输入是像素值范围在 [0-255] 内的浮点张量。同时，可以通过将 include_preprocessing 参数设置为 False 来禁用模型中的一部分预处理（即 Rescaling 层）。如果禁用预处理，EfficientNetV2 模型期望它们的输入是像素值范围在 [-1, 1] 内的浮点张量。

参数

• include_top：布尔值，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。
  • 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。默认为 None。
• classes：可选的类别数，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：字符串或可调用对象。“顶部”层的激活函数。除非 include_top=True，否则会被忽略。设置 classifier_activation=None 以返回“顶部”层的 logits。加载预训练权重时，classifier_activation 只能是 None 或 "softmax"。默认为 "softmax"。

返回值

一个 keras.Model 实例。

[来源]

EfficientNetV2B2 函数

tf_keras.applications.EfficientNetV2B2(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    include_preprocessing=True,
)

实例化 EfficientNetV2B2 架构。

参考文献

• EfficientNetV2：更小的模型和更快的训练 (ICML 2021)

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 EfficientNetV2，默认情况下，输入预处理包含在模型中（作为 Rescaling 层），因此 tf.keras.applications.efficientnet_v2.preprocess_input 实际上是一个直通函数。在这种情况下，EfficientNetV2 模型期望它们的输入是像素值范围在 [0-255] 内的浮点张量。同时，可以通过将 include_preprocessing 参数设置为 False 来禁用模型中的一部分预处理（即 Rescaling 层）。如果禁用预处理，EfficientNetV2 模型期望它们的输入是像素值范围在 [-1, 1] 内的浮点张量。

参数

• include_top：布尔值，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。
  • 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。默认为 None。
• classes：可选的类别数，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：字符串或可调用对象。“顶部”层的激活函数。除非 include_top=True，否则会被忽略。设置 classifier_activation=None 以返回“顶部”层的 logits。加载预训练权重时，classifier_activation 只能是 None 或 "softmax"。默认为 "softmax"。

返回值

一个 keras.Model 实例。

[来源]

EfficientNetV2B3 函数

tf_keras.applications.EfficientNetV2B3(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    include_preprocessing=True,
)

实例化 EfficientNetV2B3 架构。

参考文献

• EfficientNetV2：更小的模型和更快的训练 (ICML 2021)

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 EfficientNetV2，默认情况下，输入预处理包含在模型中（作为 Rescaling 层），因此 tf.keras.applications.efficientnet_v2.preprocess_input 实际上是一个直通函数。在这种情况下，EfficientNetV2 模型期望它们的输入是像素值范围在 [0-255] 内的浮点张量。同时，可以通过将 include_preprocessing 参数设置为 False 来禁用模型中的一部分预处理（即 Rescaling 层）。如果禁用预处理，EfficientNetV2 模型期望它们的输入是像素值范围在 [-1, 1] 内的浮点张量。

参数

• include_top：布尔值，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。
  • 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。默认为 None。
• classes：可选的类别数，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：字符串或可调用对象。“顶部”层的激活函数。除非 include_top=True，否则会被忽略。设置 classifier_activation=None 以返回“顶部”层的 logits。加载预训练权重时，classifier_activation 只能是 None 或 "softmax"。默认为 "softmax"。

返回值

一个 keras.Model 实例。

[来源]

EfficientNetV2S 函数

tf_keras.applications.EfficientNetV2S(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    include_preprocessing=True,
)

实例化 EfficientNetV2S 架构。

参考文献

• EfficientNetV2：更小的模型和更快的训练 (ICML 2021)

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 EfficientNetV2，默认情况下，输入预处理包含在模型中（作为 Rescaling 层），因此 tf.keras.applications.efficientnet_v2.preprocess_input 实际上是一个直通函数。在这种情况下，EfficientNetV2 模型期望它们的输入是像素值范围在 [0-255] 内的浮点张量。同时，可以通过将 include_preprocessing 参数设置为 False 来禁用模型中的一部分预处理（即 Rescaling 层）。如果禁用预处理，EfficientNetV2 模型期望它们的输入是像素值范围在 [-1, 1] 内的浮点张量。

参数

• include_top：布尔值，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。
  • 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。默认为 None。
• classes：可选的类别数，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：字符串或可调用对象。“顶部”层的激活函数。除非 include_top=True，否则会被忽略。设置 classifier_activation=None 以返回“顶部”层的 logits。加载预训练权重时，classifier_activation 只能是 None 或 "softmax"。默认为 "softmax"。

返回值

一个 keras.Model 实例。

[来源]

EfficientNetV2M 函数

tf_keras.applications.EfficientNetV2M(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    include_preprocessing=True,
)

实例化 EfficientNetV2M 架构。

参考文献

• EfficientNetV2：更小的模型和更快的训练 (ICML 2021)

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 EfficientNetV2，默认情况下，输入预处理包含在模型中（作为 Rescaling 层），因此 tf.keras.applications.efficientnet_v2.preprocess_input 实际上是一个直通函数。在这种情况下，EfficientNetV2 模型期望它们的输入是像素值范围在 [0-255] 内的浮点张量。同时，可以通过将 include_preprocessing 参数设置为 False 来禁用模型中的一部分预处理（即 Rescaling 层）。如果禁用预处理，EfficientNetV2 模型期望它们的输入是像素值范围在 [-1, 1] 内的浮点张量。

参数

• include_top：布尔值，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。
  • 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。默认为 None。
• classes：可选的类别数，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：字符串或可调用对象。“顶部”层的激活函数。除非 include_top=True，否则会被忽略。设置 classifier_activation=None 以返回“顶部”层的 logits。加载预训练权重时，classifier_activation 只能是 None 或 "softmax"。默认为 "softmax"。

返回值

一个 keras.Model 实例。

[来源]

EfficientNetV2L 函数

tf_keras.applications.EfficientNetV2L(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    include_preprocessing=True,
)

实例化 EfficientNetV2L 架构。

参考文献

• EfficientNetV2：更小的模型和更快的训练 (ICML 2021)

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 EfficientNetV2，默认情况下，输入预处理包含在模型中（作为 Rescaling 层），因此 tf.keras.applications.efficientnet_v2.preprocess_input 实际上是一个直通函数。在这种情况下，EfficientNetV2 模型期望它们的输入是像素值范围在 [0-255] 内的浮点张量。同时，可以通过将 include_preprocessing 参数设置为 False 来禁用模型中的一部分预处理（即 Rescaling 层）。如果禁用预处理，EfficientNetV2 模型期望它们的输入是像素值范围在 [-1, 1] 内的浮点张量。

参数

• include_top：布尔值，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。
  • 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。默认为 None。
• classes：可选的类别数，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：字符串或可调用对象。“顶部”层的激活函数。除非 include_top=True，否则会被忽略。设置 classifier_activation=None 以返回“顶部”层的 logits。加载预训练权重时，classifier_activation 只能是 None 或 "softmax"。默认为 "softmax"。

返回值

一个 keras.Model 实例。