ConvNeXt Tiny、Small、Base、Large、XLarge

[原始碼]

ConvNeXtTiny 函數

keras.applications.ConvNeXtTiny(
    include_top=True,
    include_preprocessing=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="convnext_tiny",
)

實例化 ConvNeXtTiny 架構。

參考文獻

• 適用於 2020 年代的卷積網路 (CVPR 2022)

對於圖像分類的使用案例，請參閱此頁面以獲取詳細範例。對於遷移學習的使用案例，請務必閱讀遷移學習和微調指南。

base、large 和 xlarge 模型首先在 ImageNet-21k 資料集上進行預訓練，然後在 ImageNet-1k 資料集上進行微調。模型的預訓練參數是從官方儲存庫組裝而來。若要了解這些參數如何轉換為與 Keras 相容的參數，請參考此儲存庫。

注意：每個 Keras 應用都需要特定的輸入預處理。對於 ConvNeXt，預處理包含在使用 Normalization 層的模型中。ConvNeXt 模型期望其輸入為像素值在 [0-255] 範圍內的浮點數或 uint8 張量。

在實例化 ConvNeXt 模型後呼叫 summary() 方法時，建議將 summary() 的 expand_nested 引數設定為 True，以更好地檢查實例化的模型。

引數

• include_top：是否包含網路頂部的全連接層。預設為 True。
• weights：可以是 None (隨機初始化)、"imagenet" (在 ImageNet-1k 上預訓練) 或要載入的權重檔案路徑。預設為 "imagenet"。
• input_tensor：可選的 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：可選的類別數量，用於將圖像分類到其中，僅在 include_top 為 True 且未指定 weights 引數時指定。預設為 1000 (ImageNet 類別的數量)。
• classifier_activation：str 或可呼叫的物件。要在「頂部」層上使用的啟動函數。除非 include_top=True，否則會忽略。設定 classifier_activation=None 以傳回「頂部」層的 logits。預設為 "softmax"。載入預訓練權重時，classifier_activation 只能是 None 或 "softmax"。
• name：模型的名稱 (字串)。

回傳值

模型實例。

[原始碼]

ConvNeXtSmall 函數

keras.applications.ConvNeXtSmall(
    include_top=True,
    include_preprocessing=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="convnext_small",
)

實例化 ConvNeXtSmall 架構。

參考文獻

• 適用於 2020 年代的卷積網路 (CVPR 2022)

對於圖像分類的使用案例，請參閱此頁面以獲取詳細範例。對於遷移學習的使用案例，請務必閱讀遷移學習和微調指南。

base、large 和 xlarge 模型首先在 ImageNet-21k 資料集上進行預訓練，然後在 ImageNet-1k 資料集上進行微調。模型的預訓練參數是從官方儲存庫組裝而來。若要了解這些參數如何轉換為與 Keras 相容的參數，請參考此儲存庫。

注意：每個 Keras 應用都需要特定的輸入預處理。對於 ConvNeXt，預處理包含在使用 Normalization 層的模型中。ConvNeXt 模型期望其輸入為像素值在 [0-255] 範圍內的浮點數或 uint8 張量。

在實例化 ConvNeXt 模型後呼叫 summary() 方法時，建議將 summary() 的 expand_nested 引數設定為 True，以更好地檢查實例化的模型。

引數

• include_top：是否包含網路頂部的全連接層。預設為 True。
• weights：可以是 None (隨機初始化)、"imagenet" (在 ImageNet-1k 上預訓練) 或要載入的權重檔案路徑。預設為 "imagenet"。
• input_tensor：可選的 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：可選的類別數量，用於將圖像分類到其中，僅在 include_top 為 True 且未指定 weights 引數時指定。預設為 1000 (ImageNet 類別的數量)。
• classifier_activation：str 或可呼叫的物件。要在「頂部」層上使用的啟動函數。除非 include_top=True，否則會忽略。設定 classifier_activation=None 以傳回「頂部」層的 logits。預設為 "softmax"。載入預訓練權重時，classifier_activation 只能是 None 或 "softmax"。
• name：模型的名稱 (字串)。

回傳值

模型實例。

[原始碼]

ConvNeXtBase 函數

keras.applications.ConvNeXtBase(
    include_top=True,
    include_preprocessing=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="convnext_base",
)

實例化 ConvNeXtBase 架構。

參考文獻

• 適用於 2020 年代的卷積網路 (CVPR 2022)

對於圖像分類的使用案例，請參閱此頁面以獲取詳細範例。對於遷移學習的使用案例，請務必閱讀遷移學習和微調指南。

base、large 和 xlarge 模型首先在 ImageNet-21k 資料集上進行預訓練，然後在 ImageNet-1k 資料集上進行微調。模型的預訓練參數是從官方儲存庫組裝而來。若要了解這些參數如何轉換為與 Keras 相容的參數，請參考此儲存庫。

注意：每個 Keras 應用都需要特定的輸入預處理。對於 ConvNeXt，預處理包含在使用 Normalization 層的模型中。ConvNeXt 模型期望其輸入為像素值在 [0-255] 範圍內的浮點數或 uint8 張量。

在實例化 ConvNeXt 模型後呼叫 summary() 方法時，建議將 summary() 的 expand_nested 引數設定為 True，以更好地檢查實例化的模型。

引數

• include_top：是否包含網路頂部的全連接層。預設為 True。
• weights：可以是 None (隨機初始化)、"imagenet" (在 ImageNet-1k 上預訓練) 或要載入的權重檔案路徑。預設為 "imagenet"。
• input_tensor：可選的 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：可選的類別數量，用於將圖像分類到其中，僅在 include_top 為 True 且未指定 weights 引數時指定。預設為 1000 (ImageNet 類別的數量)。
• classifier_activation：str 或可呼叫的物件。要在「頂部」層上使用的啟動函數。除非 include_top=True，否則會忽略。設定 classifier_activation=None 以傳回「頂部」層的 logits。預設為 "softmax"。載入預訓練權重時，classifier_activation 只能是 None 或 "softmax"。
• name：模型的名稱 (字串)。

回傳值

模型實例。

[原始碼]

ConvNeXtLarge 函數

keras.applications.ConvNeXtLarge(
    include_top=True,
    include_preprocessing=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="convnext_large",
)

實例化 ConvNeXtLarge 架構。

參考文獻

• 適用於 2020 年代的卷積網路 (CVPR 2022)

對於圖像分類的使用案例，請參閱此頁面以獲取詳細範例。對於遷移學習的使用案例，請務必閱讀遷移學習和微調指南。

base、large 和 xlarge 模型首先在 ImageNet-21k 資料集上進行預訓練，然後在 ImageNet-1k 資料集上進行微調。模型的預訓練參數是從官方儲存庫組裝而來。若要了解這些參數如何轉換為與 Keras 相容的參數，請參考此儲存庫。

注意：每個 Keras 應用都需要特定的輸入預處理。對於 ConvNeXt，預處理包含在使用 Normalization 層的模型中。ConvNeXt 模型期望其輸入為像素值在 [0-255] 範圍內的浮點數或 uint8 張量。

在實例化 ConvNeXt 模型後呼叫 summary() 方法時，建議將 summary() 的 expand_nested 引數設定為 True，以更好地檢查實例化的模型。

引數

• include_top：是否包含網路頂部的全連接層。預設為 True。
• weights：可以是 None (隨機初始化)、"imagenet" (在 ImageNet-1k 上預訓練) 或要載入的權重檔案路徑。預設為 "imagenet"。
• input_tensor：可選的 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：可選的類別數量，用於將圖像分類到其中，僅在 include_top 為 True 且未指定 weights 引數時指定。預設為 1000 (ImageNet 類別的數量)。
• classifier_activation：str 或可呼叫的物件。要在「頂部」層上使用的啟動函數。除非 include_top=True，否則會忽略。設定 classifier_activation=None 以傳回「頂部」層的 logits。預設為 "softmax"。載入預訓練權重時，classifier_activation 只能是 None 或 "softmax"。
• name：模型的名稱 (字串)。

回傳值

模型實例。

[原始碼]

ConvNeXtXLarge 函數

keras.applications.ConvNeXtXLarge(
    include_top=True,
    include_preprocessing=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="convnext_xlarge",
)

實例化 ConvNeXtXLarge 架構。

參考文獻

• 適用於 2020 年代的卷積網路 (CVPR 2022)

對於圖像分類的使用案例，請參閱此頁面以獲取詳細範例。對於遷移學習的使用案例，請務必閱讀遷移學習和微調指南。

base、large 和 xlarge 模型首先在 ImageNet-21k 資料集上進行預訓練，然後在 ImageNet-1k 資料集上進行微調。模型的預訓練參數是從官方儲存庫組裝而來。若要了解這些參數如何轉換為與 Keras 相容的參數，請參考此儲存庫。

注意：每個 Keras 應用都需要特定的輸入預處理。對於 ConvNeXt，預處理包含在使用 Normalization 層的模型中。ConvNeXt 模型期望其輸入為像素值在 [0-255] 範圍內的浮點數或 uint8 張量。

在實例化 ConvNeXt 模型後呼叫 summary() 方法時，建議將 summary() 的 expand_nested 引數設定為 True，以更好地檢查實例化的模型。

引數

• include_top：是否包含網路頂部的全連接層。預設為 True。
• weights：可以是 None (隨機初始化)、"imagenet" (在 ImageNet-1k 上預訓練) 或要載入的權重檔案路徑。預設為 "imagenet"。
• input_tensor：可選的 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：可選的類別數量，用於將圖像分類到其中，僅在 include_top 為 True 且未指定 weights 引數時指定。預設為 1000 (ImageNet 類別的數量)。
• classifier_activation：str 或可呼叫的物件。要在「頂部」層上使用的啟動函數。除非 include_top=True，否則會忽略。設定 classifier_activation=None 以傳回「頂部」層的 logits。預設為 "softmax"。載入預訓練權重時，classifier_activation 只能是 None 或 "softmax"。
• name：模型的名稱 (字串)。

回傳值

模型實例。