EfficientNet B0 到 B7

[來源]

EfficientNetB0 函數

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

實例化 EfficientNetB0 架構。

參考文獻

• EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks (ICML 2019)

此函數會回傳一個 TF-Keras 圖像分類模型，可選擇載入在 ImageNet 上預先訓練的權重。

針對圖像分類使用案例，請參閱此頁面以取得詳細範例。

針對遷移學習使用案例，請務必閱讀遷移學習與微調指南。

注意：每個 TF-Keras 應用都期望有特定種類的輸入預處理。對於 EfficientNet，輸入預處理包含在模型中（作為 Rescaling 層），因此tf.keras.applications.efficientnet.preprocess_input實際上是一個直通函數。EfficientNet 模型期望其輸入為像素值在 [0-255] 範圍內的浮點張量。

參數

• include_top：是否包含網路頂部的全連接層。預設為 True。
• weights：以下選項之一：None (隨機初始化)、'imagenet' (在 ImageNet 上預訓練) 或要載入的權重檔案路徑。預設為 'imagenet'。
• input_tensor：可選的 TF-Keras 張量 (即 layers.Input() 的輸出)，用作模型的圖像輸入。
• input_shape：可選的形狀元組，僅在 include_top 為 False 時指定。它應該正好有 3 個輸入通道。
• pooling：當 include_top 為 False 時，用於特徵提取的可選池化模式。預設為 None。
  • None 表示模型的輸出將是最後一個卷積層的 4D 張量輸出。
  • avg 表示將對最後一個卷積層的輸出應用全域平均池化，因此模型的輸出將是一個 2D 張量。
  • max 表示將應用全域最大池化。
• classes：可選的要將圖像分類為的類別數量，僅在 include_top 為 True 且未指定 weights 參數時指定。1000 是 ImageNet 類別的數量。預設為 1000。
• classifier_activation：一個 str 或可調用物件。要在「頂部」層上使用的啟動函數。除非 include_top=True，否則忽略。設定 classifier_activation=None 以回傳「頂部」層的 logits。預設為 'softmax'。載入預訓練權重時，classifier_activation 只能為 None 或 "softmax"。

回傳

一個 keras.Model 實例。

[來源]

EfficientNetB1 函數

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

實例化 EfficientNetB1 架構。

參考文獻

• EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks (ICML 2019)

此函數會回傳一個 TF-Keras 圖像分類模型，可選擇載入在 ImageNet 上預先訓練的權重。

針對圖像分類使用案例，請參閱此頁面以取得詳細範例。

針對遷移學習使用案例，請務必閱讀遷移學習與微調指南。

注意：每個 TF-Keras 應用都期望有特定種類的輸入預處理。對於 EfficientNet，輸入預處理包含在模型中（作為 Rescaling 層），因此tf.keras.applications.efficientnet.preprocess_input實際上是一個直通函數。EfficientNet 模型期望其輸入為像素值在 [0-255] 範圍內的浮點張量。

參數

• include_top：是否包含網路頂部的全連接層。預設為 True。
• weights：以下選項之一：None (隨機初始化)、'imagenet' (在 ImageNet 上預訓練) 或要載入的權重檔案路徑。預設為 'imagenet'。
• input_tensor：可選的 TF-Keras 張量 (即 layers.Input() 的輸出)，用作模型的圖像輸入。
• input_shape：可選的形狀元組，僅在 include_top 為 False 時指定。它應該正好有 3 個輸入通道。
• pooling：當 include_top 為 False 時，用於特徵提取的可選池化模式。預設為 None。
  • None 表示模型的輸出將是最後一個卷積層的 4D 張量輸出。
  • avg 表示將對最後一個卷積層的輸出應用全域平均池化，因此模型的輸出將是一個 2D 張量。
  • max 表示將應用全域最大池化。
• classes：可選的要將圖像分類為的類別數量，僅在 include_top 為 True 且未指定 weights 參數時指定。1000 是 ImageNet 類別的數量。預設為 1000。
• classifier_activation：一個 str 或可調用物件。要在「頂部」層上使用的啟動函數。除非 include_top=True，否則忽略。設定 classifier_activation=None 以回傳「頂部」層的 logits。預設為 'softmax'。載入預訓練權重時，classifier_activation 只能為 None 或 "softmax"。

回傳

一個 keras.Model 實例。

[來源]

EfficientNetB2 函數

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

實例化 EfficientNetB2 架構。

參考文獻

• EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks (ICML 2019)

此函數會回傳一個 TF-Keras 圖像分類模型，可選擇載入在 ImageNet 上預先訓練的權重。

針對圖像分類使用案例，請參閱此頁面以取得詳細範例。

針對遷移學習使用案例，請務必閱讀遷移學習與微調指南。

注意：每個 TF-Keras 應用都期望有特定種類的輸入預處理。對於 EfficientNet，輸入預處理包含在模型中（作為 Rescaling 層），因此tf.keras.applications.efficientnet.preprocess_input實際上是一個直通函數。EfficientNet 模型期望其輸入為像素值在 [0-255] 範圍內的浮點張量。

參數

• include_top：是否包含網路頂部的全連接層。預設為 True。
• weights：以下選項之一：None (隨機初始化)、'imagenet' (在 ImageNet 上預訓練) 或要載入的權重檔案路徑。預設為 'imagenet'。
• input_tensor：可選的 TF-Keras 張量 (即 layers.Input() 的輸出)，用作模型的圖像輸入。
• input_shape：可選的形狀元組，僅在 include_top 為 False 時指定。它應該正好有 3 個輸入通道。
• pooling：當 include_top 為 False 時，用於特徵提取的可選池化模式。預設為 None。
  • None 表示模型的輸出將是最後一個卷積層的 4D 張量輸出。
  • avg 表示將對最後一個卷積層的輸出應用全域平均池化，因此模型的輸出將是一個 2D 張量。
  • max 表示將應用全域最大池化。
• classes：可選的要將圖像分類為的類別數量，僅在 include_top 為 True 且未指定 weights 參數時指定。1000 是 ImageNet 類別的數量。預設為 1000。
• classifier_activation：一個 str 或可調用物件。要在「頂部」層上使用的啟動函數。除非 include_top=True，否則忽略。設定 classifier_activation=None 以回傳「頂部」層的 logits。預設為 'softmax'。載入預訓練權重時，classifier_activation 只能為 None 或 "softmax"。

回傳

一個 keras.Model 實例。

[來源]

EfficientNetB3 函數

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

實例化 EfficientNetB3 架構。

參考文獻

• EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks (ICML 2019)

此函數會回傳一個 TF-Keras 圖像分類模型，可選擇載入在 ImageNet 上預先訓練的權重。

針對圖像分類使用案例，請參閱此頁面以取得詳細範例。

針對遷移學習使用案例，請務必閱讀遷移學習與微調指南。

注意：每個 TF-Keras 應用都期望有特定種類的輸入預處理。對於 EfficientNet，輸入預處理包含在模型中（作為 Rescaling 層），因此tf.keras.applications.efficientnet.preprocess_input實際上是一個直通函數。EfficientNet 模型期望其輸入為像素值在 [0-255] 範圍內的浮點張量。

參數

• include_top：是否包含網路頂部的全連接層。預設為 True。
• weights：以下選項之一：None (隨機初始化)、'imagenet' (在 ImageNet 上預訓練) 或要載入的權重檔案路徑。預設為 'imagenet'。
• input_tensor：可選的 TF-Keras 張量 (即 layers.Input() 的輸出)，用作模型的圖像輸入。
• input_shape：可選的形狀元組，僅在 include_top 為 False 時指定。它應該正好有 3 個輸入通道。
• pooling：當 include_top 為 False 時，用於特徵提取的可選池化模式。預設為 None。
  • None 表示模型的輸出將是最後一個卷積層的 4D 張量輸出。
  • avg 表示將對最後一個卷積層的輸出應用全域平均池化，因此模型的輸出將是一個 2D 張量。
  • max 表示將應用全域最大池化。
• classes：可選的要將圖像分類為的類別數量，僅在 include_top 為 True 且未指定 weights 參數時指定。1000 是 ImageNet 類別的數量。預設為 1000。
• classifier_activation：一個 str 或可調用物件。要在「頂部」層上使用的啟動函數。除非 include_top=True，否則忽略。設定 classifier_activation=None 以回傳「頂部」層的 logits。預設為 'softmax'。載入預訓練權重時，classifier_activation 只能為 None 或 "softmax"。

回傳

一個 keras.Model 實例。

[來源]

EfficientNetB4 函數

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

實例化 EfficientNetB4 架構。

參考文獻

• EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks (ICML 2019)

此函數會回傳一個 TF-Keras 圖像分類模型，可選擇載入在 ImageNet 上預先訓練的權重。

針對圖像分類使用案例，請參閱此頁面以取得詳細範例。

針對遷移學習使用案例，請務必閱讀遷移學習與微調指南。

注意：每個 TF-Keras 應用都期望有特定種類的輸入預處理。對於 EfficientNet，輸入預處理包含在模型中（作為 Rescaling 層），因此tf.keras.applications.efficientnet.preprocess_input實際上是一個直通函數。EfficientNet 模型期望其輸入為像素值在 [0-255] 範圍內的浮點張量。

參數

• include_top：是否包含網路頂部的全連接層。預設為 True。
• weights：以下選項之一：None (隨機初始化)、'imagenet' (在 ImageNet 上預訓練) 或要載入的權重檔案路徑。預設為 'imagenet'。
• input_tensor：可選的 TF-Keras 張量 (即 layers.Input() 的輸出)，用作模型的圖像輸入。
• input_shape：可選的形狀元組，僅在 include_top 為 False 時指定。它應該正好有 3 個輸入通道。
• pooling：當 include_top 為 False 時，用於特徵提取的可選池化模式。預設為 None。
  • None 表示模型的輸出將是最後一個卷積層的 4D 張量輸出。
  • avg 表示將對最後一個卷積層的輸出應用全域平均池化，因此模型的輸出將是一個 2D 張量。
  • max 表示將應用全域最大池化。
• classes：可選的要將圖像分類為的類別數量，僅在 include_top 為 True 且未指定 weights 參數時指定。1000 是 ImageNet 類別的數量。預設為 1000。
• classifier_activation：一個 str 或可調用物件。要在「頂部」層上使用的啟動函數。除非 include_top=True，否則忽略。設定 classifier_activation=None 以回傳「頂部」層的 logits。預設為 'softmax'。載入預訓練權重時，classifier_activation 只能為 None 或 "softmax"。

回傳

一個 keras.Model 實例。

[來源]

EfficientNetB5 函數

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

實例化 EfficientNetB5 架構。

參考文獻

• EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks (ICML 2019)

此函數會回傳一個 TF-Keras 圖像分類模型，可選擇載入在 ImageNet 上預先訓練的權重。

針對圖像分類使用案例，請參閱此頁面以取得詳細範例。

針對遷移學習使用案例，請務必閱讀遷移學習與微調指南。

注意：每個 TF-Keras 應用都期望有特定種類的輸入預處理。對於 EfficientNet，輸入預處理包含在模型中（作為 Rescaling 層），因此tf.keras.applications.efficientnet.preprocess_input實際上是一個直通函數。EfficientNet 模型期望其輸入為像素值在 [0-255] 範圍內的浮點張量。

參數

• include_top：是否包含網路頂部的全連接層。預設為 True。
• weights：以下選項之一：None (隨機初始化)、'imagenet' (在 ImageNet 上預訓練) 或要載入的權重檔案路徑。預設為 'imagenet'。
• input_tensor：可選的 TF-Keras 張量 (即 layers.Input() 的輸出)，用作模型的圖像輸入。
• input_shape：可選的形狀元組，僅在 include_top 為 False 時指定。它應該正好有 3 個輸入通道。
• pooling：當 include_top 為 False 時，用於特徵提取的可選池化模式。預設為 None。
  • None 表示模型的輸出將是最後一個卷積層的 4D 張量輸出。
  • avg 表示將對最後一個卷積層的輸出應用全域平均池化，因此模型的輸出將是一個 2D 張量。
  • max 表示將應用全域最大池化。
• classes：可選的要將圖像分類為的類別數量，僅在 include_top 為 True 且未指定 weights 參數時指定。1000 是 ImageNet 類別的數量。預設為 1000。
• classifier_activation：一個 str 或可調用物件。要在「頂部」層上使用的啟動函數。除非 include_top=True，否則忽略。設定 classifier_activation=None 以回傳「頂部」層的 logits。預設為 'softmax'。載入預訓練權重時，classifier_activation 只能為 None 或 "softmax"。

回傳

一個 keras.Model 實例。

[來源]

EfficientNetB6 函數

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

實例化 EfficientNetB6 架構。

參考文獻

• EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks (ICML 2019)

此函數會回傳一個 TF-Keras 圖像分類模型，可選擇載入在 ImageNet 上預先訓練的權重。

針對圖像分類使用案例，請參閱此頁面以取得詳細範例。

針對遷移學習使用案例，請務必閱讀遷移學習與微調指南。

注意：每個 TF-Keras 應用都期望有特定種類的輸入預處理。對於 EfficientNet，輸入預處理包含在模型中（作為 Rescaling 層），因此tf.keras.applications.efficientnet.preprocess_input實際上是一個直通函數。EfficientNet 模型期望其輸入為像素值在 [0-255] 範圍內的浮點張量。

參數

• include_top：是否包含網路頂部的全連接層。預設為 True。
• weights：以下選項之一：None (隨機初始化)、'imagenet' (在 ImageNet 上預訓練) 或要載入的權重檔案路徑。預設為 'imagenet'。
• input_tensor：可選的 TF-Keras 張量 (即 layers.Input() 的輸出)，用作模型的圖像輸入。
• input_shape：可選的形狀元組，僅在 include_top 為 False 時指定。它應該正好有 3 個輸入通道。
• pooling：當 include_top 為 False 時，用於特徵提取的可選池化模式。預設為 None。
  • None 表示模型的輸出將是最後一個卷積層的 4D 張量輸出。
  • avg 表示將對最後一個卷積層的輸出應用全域平均池化，因此模型的輸出將是一個 2D 張量。
  • max 表示將應用全域最大池化。
• classes：可選的要將圖像分類為的類別數量，僅在 include_top 為 True 且未指定 weights 參數時指定。1000 是 ImageNet 類別的數量。預設為 1000。
• classifier_activation：一個 str 或可調用物件。要在「頂部」層上使用的啟動函數。除非 include_top=True，否則忽略。設定 classifier_activation=None 以回傳「頂部」層的 logits。預設為 'softmax'。載入預訓練權重時，classifier_activation 只能為 None 或 "softmax"。

回傳

一個 keras.Model 實例。

[來源]

EfficientNetB7 函數

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

實例化 EfficientNetB7 架構。

參考文獻

• EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks (ICML 2019)

此函數會回傳一個 TF-Keras 圖像分類模型，可選擇載入在 ImageNet 上預先訓練的權重。

針對圖像分類使用案例，請參閱此頁面以取得詳細範例。

針對遷移學習使用案例，請務必閱讀遷移學習與微調指南。

注意：每個 TF-Keras 應用都期望有特定種類的輸入預處理。對於 EfficientNet，輸入預處理包含在模型中（作為 Rescaling 層），因此tf.keras.applications.efficientnet.preprocess_input實際上是一個直通函數。EfficientNet 模型期望其輸入為像素值在 [0-255] 範圍內的浮點張量。

參數

• include_top：是否包含網路頂部的全連接層。預設為 True。
• weights：以下選項之一：None (隨機初始化)、'imagenet' (在 ImageNet 上預訓練) 或要載入的權重檔案路徑。預設為 'imagenet'。
• input_tensor：可選的 TF-Keras 張量 (即 layers.Input() 的輸出)，用作模型的圖像輸入。
• input_shape：可選的形狀元組，僅在 include_top 為 False 時指定。它應該正好有 3 個輸入通道。
• pooling：當 include_top 為 False 時，用於特徵提取的可選池化模式。預設為 None。
  • None 表示模型的輸出將是最後一個卷積層的 4D 張量輸出。
  • avg 表示將對最後一個卷積層的輸出應用全域平均池化，因此模型的輸出將是一個 2D 張量。
  • max 表示將應用全域最大池化。
• classes：可選的要將圖像分類為的類別數量，僅在 include_top 為 True 且未指定 weights 參數時指定。1000 是 ImageNet 類別的數量。預設為 1000。
• classifier_activation：一個 str 或可調用物件。要在「頂部」層上使用的啟動函數。除非 include_top=True，否則忽略。設定 classifier_activation=None 以回傳「頂部」層的 logits。預設為 'softmax'。載入預訓練權重時，classifier_activation 只能為 None 或 "softmax"。

回傳

一個 keras.Model 實例。