DenseNet

[原始碼]

DenseNet121 函數

keras.applications.DenseNet121(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="densenet121",
)

實例化 Densenet121 架構。

參考

• 密集連接卷積網路 (CVPR 2017)

可選地載入在 ImageNet 上預先訓練的權重。請注意，模型使用資料格式慣例是在您的 Keras 設定檔 ~/.keras/keras.json 中指定的。

注意：每個 Keras 應用程式都期望一種特定的輸入預處理方式。對於 DenseNet，在將輸入傳遞給模型之前，請先在您的輸入上呼叫 keras.applications.densenet.preprocess_input。

參數

• include_top：是否包含網路頂部的全連接層。
• weights：None (隨機初始化)、"imagenet" (在 ImageNet 上預訓練) 其中之一，或是要載入的權重檔案路徑。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，只有在 include_top 為 False 時才需要指定（否則輸入形狀必須為 (224, 224, 3) （使用 'channels_last' 資料格式）或 (3, 224, 224) （使用 'channels_first' 資料格式）。它應具有正好 3 個輸入通道，並且寬度和高度應不小於 32。例如，(200, 200, 3) 將是一個有效的值。
• pooling：當 include_top 為 False 時，用於特徵提取的可選池化模式。
  • None 表示模型的輸出將是最後一個卷積區塊的 4D 張量輸出。
  • avg 表示將對最後一個卷積區塊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：可選的將圖像分類成的類別數量，只有在 include_top 為 True 且未指定 weights 參數時才需要指定。預設值為 1000。
• classifier_activation：一個 str 或可呼叫的對象。要在「頂部」層上使用的激活函數。除非 include_top=True，否則將被忽略。設定 classifier_activation=None 以返回「頂部」層的 logits。載入預訓練權重時，classifier_activation 只能為 None 或 "softmax"。
• name：模型的名稱（字串）。

回傳

一個 Keras 模型實例。

[原始碼]

DenseNet169 函數

keras.applications.DenseNet169(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="densenet169",
)

實例化 Densenet169 架構。

參考

• 密集連接卷積網路 (CVPR 2017)

可選地載入在 ImageNet 上預先訓練的權重。請注意，模型使用資料格式慣例是在您的 Keras 設定檔 ~/.keras/keras.json 中指定的。

注意：每個 Keras 應用程式都期望一種特定的輸入預處理方式。對於 DenseNet，在將輸入傳遞給模型之前，請先在您的輸入上呼叫 keras.applications.densenet.preprocess_input。

參數

• include_top：是否包含網路頂部的全連接層。
• weights：None (隨機初始化)、"imagenet" (在 ImageNet 上預訓練) 其中之一，或是要載入的權重檔案路徑。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，只有在 include_top 為 False 時才需要指定（否則輸入形狀必須為 (224, 224, 3) （使用 'channels_last' 資料格式）或 (3, 224, 224) （使用 'channels_first' 資料格式）。它應具有正好 3 個輸入通道，並且寬度和高度應不小於 32。例如，(200, 200, 3) 將是一個有效的值。
• pooling：當 include_top 為 False 時，用於特徵提取的可選池化模式。
  • None 表示模型的輸出將是最後一個卷積區塊的 4D 張量輸出。
  • avg 表示將對最後一個卷積區塊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：可選的將圖像分類成的類別數量，只有在 include_top 為 True 且未指定 weights 參數時才需要指定。預設值為 1000。
• classifier_activation：一個 str 或可呼叫的對象。要在「頂部」層上使用的激活函數。除非 include_top=True，否則將被忽略。設定 classifier_activation=None 以返回「頂部」層的 logits。載入預訓練權重時，classifier_activation 只能為 None 或 "softmax"。
• name：模型的名稱（字串）。

回傳

一個 Keras 模型實例。

[原始碼]

DenseNet201 函數

keras.applications.DenseNet201(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="densenet201",
)

實例化 Densenet201 架構。

參考

• 密集連接卷積網路 (CVPR 2017)

可選地載入在 ImageNet 上預先訓練的權重。請注意，模型使用資料格式慣例是在您的 Keras 設定檔 ~/.keras/keras.json 中指定的。

注意：每個 Keras 應用程式都期望一種特定的輸入預處理方式。對於 DenseNet，在將輸入傳遞給模型之前，請先在您的輸入上呼叫 keras.applications.densenet.preprocess_input。

參數

• include_top：是否包含網路頂部的全連接層。
• weights：None (隨機初始化)、"imagenet" (在 ImageNet 上預訓練) 其中之一，或是要載入的權重檔案路徑。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，只有在 include_top 為 False 時才需要指定（否則輸入形狀必須為 (224, 224, 3) （使用 'channels_last' 資料格式）或 (3, 224, 224) （使用 'channels_first' 資料格式）。它應具有正好 3 個輸入通道，並且寬度和高度應不小於 32。例如，(200, 200, 3) 將是一個有效的值。
• pooling：當 include_top 為 False 時，用於特徵提取的可選池化模式。
  • None 表示模型的輸出將是最後一個卷積區塊的 4D 張量輸出。
  • avg 表示將對最後一個卷積區塊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：可選的將圖像分類成的類別數量，只有在 include_top 為 True 且未指定 weights 參數時才需要指定。預設值為 1000。
• classifier_activation：一個 str 或可呼叫的對象。要在「頂部」層上使用的激活函數。除非 include_top=True，否則將被忽略。設定 classifier_activation=None 以返回「頂部」層的 logits。載入預訓練權重時，classifier_activation 只能為 None 或 "softmax"。
• name：模型的名稱（字串）。

回傳

一個 Keras 模型實例。