EfficientNet B0 至 B7

[原始碼]

EfficientNetB0 函數

keras.applications.EfficientNetB0(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="efficientnetb0",
)

實例化 EfficientNetB0 架構。

參考文獻

• EfficientNet：重新思考卷積神經網路的模型縮放 (ICML 2019)

此函數回傳一個 Keras 圖像分類模型，可選擇性載入在 ImageNet 上預先訓練的權重。

對於圖像分類的使用案例，請參閱此頁面以取得詳細範例。

對於遷移學習的使用案例，請務必閱讀遷移學習與微調指南。

請注意：每個 Keras 應用程式都期望特定的輸入預處理方式。對於 EfficientNet，輸入預處理包含在模型中（作為 Rescaling 層），因此 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：None（隨機初始化）、"imagenet"（在 ImageNet 上預訓練）或要載入的權重檔案路徑之一。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。它應恰好有 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局平均池化，因此模型的輸出將是 2D 張量。
  • max 表示將應用全局最大池化。
• classes：可選的類別數量，用於將圖像分類到這些類別中，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：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'。當載入預訓練權重時，classifier_activation 只能是 None 或 "softmax"。
• name：模型的名稱（字串）。

回傳值

一個模型實例。

[原始碼]

EfficientNetB1 函數

keras.applications.EfficientNetB1(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="efficientnetb1",
)

實例化 EfficientNetB1 架構。

參考文獻

• EfficientNet：重新思考卷積神經網路的模型縮放 (ICML 2019)

此函數回傳一個 Keras 圖像分類模型，可選擇性載入在 ImageNet 上預先訓練的權重。

對於圖像分類的使用案例，請參閱此頁面以取得詳細範例。

對於遷移學習的使用案例，請務必閱讀遷移學習與微調指南。

請注意：每個 Keras 應用程式都期望特定的輸入預處理方式。對於 EfficientNet，輸入預處理包含在模型中（作為 Rescaling 層），因此 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：None（隨機初始化）、"imagenet"（在 ImageNet 上預訓練）或要載入的權重檔案路徑之一。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。它應恰好有 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局平均池化，因此模型的輸出將是 2D 張量。
  • max 表示將應用全局最大池化。
• classes：可選的類別數量，用於將圖像分類到這些類別中，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：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'。當載入預訓練權重時，classifier_activation 只能是 None 或 "softmax"。
• name：模型的名稱（字串）。

回傳值

一個模型實例。

[原始碼]

EfficientNetB2 函數

keras.applications.EfficientNetB2(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="efficientnetb2",
)

實例化 EfficientNetB2 架構。

參考文獻

• EfficientNet：重新思考卷積神經網路的模型縮放 (ICML 2019)

此函數回傳一個 Keras 圖像分類模型，可選擇性載入在 ImageNet 上預先訓練的權重。

對於圖像分類的使用案例，請參閱此頁面以取得詳細範例。

對於遷移學習的使用案例，請務必閱讀遷移學習與微調指南。

請注意：每個 Keras 應用程式都期望特定的輸入預處理方式。對於 EfficientNet，輸入預處理包含在模型中（作為 Rescaling 層），因此 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：None（隨機初始化）、"imagenet"（在 ImageNet 上預訓練）或要載入的權重檔案路徑之一。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。它應恰好有 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局平均池化，因此模型的輸出將是 2D 張量。
  • max 表示將應用全局最大池化。
• classes：可選的類別數量，用於將圖像分類到這些類別中，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：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'。當載入預訓練權重時，classifier_activation 只能是 None 或 "softmax"。
• name：模型的名稱（字串）。

回傳值

一個模型實例。

[原始碼]

EfficientNetB3 函數

keras.applications.EfficientNetB3(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="efficientnetb3",
)

實例化 EfficientNetB3 架構。

參考文獻

• EfficientNet：重新思考卷積神經網路的模型縮放 (ICML 2019)

此函數回傳一個 Keras 圖像分類模型，可選擇性載入在 ImageNet 上預先訓練的權重。

對於圖像分類的使用案例，請參閱此頁面以取得詳細範例。

對於遷移學習的使用案例，請務必閱讀遷移學習與微調指南。

請注意：每個 Keras 應用程式都期望特定的輸入預處理方式。對於 EfficientNet，輸入預處理包含在模型中（作為 Rescaling 層），因此 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：None（隨機初始化）、"imagenet"（在 ImageNet 上預訓練）或要載入的權重檔案路徑之一。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。它應恰好有 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局平均池化，因此模型的輸出將是 2D 張量。
  • max 表示將應用全局最大池化。
• classes：可選的類別數量，用於將圖像分類到這些類別中，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：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'。當載入預訓練權重時，classifier_activation 只能是 None 或 "softmax"。
• name：模型的名稱（字串）。

回傳值

一個模型實例。

[原始碼]

EfficientNetB4 函數

keras.applications.EfficientNetB4(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="efficientnetb4",
)

實例化 EfficientNetB4 架構。

參考文獻

• EfficientNet：重新思考卷積神經網路的模型縮放 (ICML 2019)

此函數回傳一個 Keras 圖像分類模型，可選擇性載入在 ImageNet 上預先訓練的權重。

對於圖像分類的使用案例，請參閱此頁面以取得詳細範例。

對於遷移學習的使用案例，請務必閱讀遷移學習與微調指南。

請注意：每個 Keras 應用程式都期望特定的輸入預處理方式。對於 EfficientNet，輸入預處理包含在模型中（作為 Rescaling 層），因此 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：None（隨機初始化）、"imagenet"（在 ImageNet 上預訓練）或要載入的權重檔案路徑之一。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。它應恰好有 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局平均池化，因此模型的輸出將是 2D 張量。
  • max 表示將應用全局最大池化。
• classes：可選的類別數量，用於將圖像分類到這些類別中，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：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'。當載入預訓練權重時，classifier_activation 只能是 None 或 "softmax"。
• name：模型的名稱（字串）。

回傳值

一個模型實例。

[原始碼]

EfficientNetB5 函數

keras.applications.EfficientNetB5(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="efficientnetb5",
)

實例化 EfficientNetB5 架構。

參考文獻

• EfficientNet：重新思考卷積神經網路的模型縮放 (ICML 2019)

此函數回傳一個 Keras 圖像分類模型，可選擇性載入在 ImageNet 上預先訓練的權重。

對於圖像分類的使用案例，請參閱此頁面以取得詳細範例。

對於遷移學習的使用案例，請務必閱讀遷移學習與微調指南。

請注意：每個 Keras 應用程式都期望特定的輸入預處理方式。對於 EfficientNet，輸入預處理包含在模型中（作為 Rescaling 層），因此 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：None（隨機初始化）、"imagenet"（在 ImageNet 上預訓練）或要載入的權重檔案路徑之一。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。它應恰好有 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局平均池化，因此模型的輸出將是 2D 張量。
  • max 表示將應用全局最大池化。
• classes：可選的類別數量，用於將圖像分類到這些類別中，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：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'。當載入預訓練權重時，classifier_activation 只能是 None 或 "softmax"。
• name：模型的名稱（字串）。

回傳值

一個模型實例。

[原始碼]

EfficientNetB6 函數

keras.applications.EfficientNetB6(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="efficientnetb6",
)

實例化 EfficientNetB6 架構。

參考文獻

• EfficientNet：重新思考卷積神經網路的模型縮放 (ICML 2019)

此函數回傳一個 Keras 圖像分類模型，可選擇性載入在 ImageNet 上預先訓練的權重。

對於圖像分類的使用案例，請參閱此頁面以取得詳細範例。

對於遷移學習的使用案例，請務必閱讀遷移學習與微調指南。

請注意：每個 Keras 應用程式都期望特定的輸入預處理方式。對於 EfficientNet，輸入預處理包含在模型中（作為 Rescaling 層），因此 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：None（隨機初始化）、"imagenet"（在 ImageNet 上預訓練）或要載入的權重檔案路徑之一。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。它應恰好有 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局平均池化，因此模型的輸出將是 2D 張量。
  • max 表示將應用全局最大池化。
• classes：可選的類別數量，用於將圖像分類到這些類別中，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：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'。當載入預訓練權重時，classifier_activation 只能是 None 或 "softmax"。
• name：模型的名稱（字串）。

回傳值

一個模型實例。

[原始碼]

EfficientNetB7 函數

keras.applications.EfficientNetB7(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="efficientnetb7",
)

實例化 EfficientNetB7 架構。

參考文獻

• EfficientNet：重新思考卷積神經網路的模型縮放 (ICML 2019)

此函數回傳一個 Keras 圖像分類模型，可選擇性載入在 ImageNet 上預先訓練的權重。

對於圖像分類的使用案例，請參閱此頁面以取得詳細範例。

對於遷移學習的使用案例，請務必閱讀遷移學習與微調指南。

請注意：每個 Keras 應用程式都期望特定的輸入預處理方式。對於 EfficientNet，輸入預處理包含在模型中（作為 Rescaling 層），因此 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：None（隨機初始化）、"imagenet"（在 ImageNet 上預訓練）或要載入的權重檔案路徑之一。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。它應恰好有 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局平均池化，因此模型的輸出將是 2D 張量。
  • max 表示將應用全局最大池化。
• classes：可選的類別數量，用於將圖像分類到這些類別中，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：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'。當載入預訓練權重時，classifier_activation 只能是 None 或 "softmax"。
• name：模型的名稱（字串）。

回傳值

一個模型實例。