► Keras 3 API 文件 / Keras 應用 / EfficientNet B0 到 B7

EfficientNet B0 到 B7

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

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

對於圖像分類用例，請參閱此頁面以了解詳細範例。

對於遷移學習用例，請務必閱讀遷移學習與微調指南。

請注意：每個 Keras 應用程式都預期有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 模型預期它們的輸入是像素值在 [0-255] 範圍內的浮點張量。

引數

include_top：是否包含網路頂端的完全連接層。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：選用的 Keras 張量（即 layers.Input() 的輸出），用作模型的圖像輸入。
input_shape：選用的形狀元組，僅在 include_top 為 False 時指定。它應具有正好 3 個輸入通道。
pooling：當 include_top 為 False 時，用於特徵提取的選用池化模式。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 表示全域平均池化將應用於最後一個卷積層的輸出，因此模型的輸出將是 2D 張量。
- max 表示將應用全域最大池化。
classes：選用的要將圖像分類的類別數量，僅在 include_top 為 True 且未指定 weights 引數時指定。1000 是 ImageNet 類別的數量。預設為 1000。
classifier_activation：str 或可呼叫物件。要在「頂部」層上使用的啟動函數。除非 include_top=True，否則會忽略。將 classifier_activation=None 設定為回傳「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

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

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

對於圖像分類用例，請參閱此頁面以了解詳細範例。

對於遷移學習用例，請務必閱讀遷移學習與微調指南。

引數

include_top：是否包含網路頂端的完全連接層。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：選用的 Keras 張量（即 layers.Input() 的輸出），用作模型的圖像輸入。
input_shape：選用的形狀元組，僅在 include_top 為 False 時指定。它應具有正好 3 個輸入通道。
pooling：當 include_top 為 False 時，用於特徵提取的選用池化模式。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 表示全域平均池化將應用於最後一個卷積層的輸出，因此模型的輸出將是 2D 張量。
- max 表示將應用全域最大池化。
classes：選用的要將圖像分類的類別數量，僅在 include_top 為 True 且未指定 weights 引數時指定。1000 是 ImageNet 類別的數量。預設為 1000。
classifier_activation：str 或可呼叫物件。要在「頂部」層上使用的啟動函數。除非 include_top=True，否則會忽略。將 classifier_activation=None 設定為回傳「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

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

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

對於圖像分類用例，請參閱此頁面以了解詳細範例。

對於遷移學習用例，請務必閱讀遷移學習與微調指南。

引數

include_top：是否包含網路頂端的完全連接層。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：選用的 Keras 張量（即 layers.Input() 的輸出），用作模型的圖像輸入。
input_shape：選用的形狀元組，僅在 include_top 為 False 時指定。它應具有正好 3 個輸入通道。
pooling：當 include_top 為 False 時，用於特徵提取的選用池化模式。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 表示全域平均池化將應用於最後一個卷積層的輸出，因此模型的輸出將是 2D 張量。
- max 表示將應用全域最大池化。
classes：選用的要將圖像分類的類別數量，僅在 include_top 為 True 且未指定 weights 引數時指定。1000 是 ImageNet 類別的數量。預設為 1000。
classifier_activation：str 或可呼叫物件。要在「頂部」層上使用的啟動函數。除非 include_top=True，否則會忽略。將 classifier_activation=None 設定為回傳「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

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

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

對於圖像分類用例，請參閱此頁面以了解詳細範例。

對於遷移學習用例，請務必閱讀遷移學習與微調指南。

引數

include_top：是否包含網路頂端的完全連接層。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：選用的 Keras 張量（即 layers.Input() 的輸出），用作模型的圖像輸入。
input_shape：選用的形狀元組，僅在 include_top 為 False 時指定。它應具有正好 3 個輸入通道。
pooling：當 include_top 為 False 時，用於特徵提取的選用池化模式。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 表示全域平均池化將應用於最後一個卷積層的輸出，因此模型的輸出將是 2D 張量。
- max 表示將應用全域最大池化。
classes：選用的要將圖像分類的類別數量，僅在 include_top 為 True 且未指定 weights 引數時指定。1000 是 ImageNet 類別的數量。預設為 1000。
classifier_activation：str 或可呼叫物件。要在「頂部」層上使用的啟動函數。除非 include_top=True，否則會忽略。將 classifier_activation=None 設定為回傳「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

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

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

對於圖像分類用例，請參閱此頁面以了解詳細範例。

對於遷移學習用例，請務必閱讀遷移學習與微調指南。

引數

include_top：是否包含網路頂端的完全連接層。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：選用的 Keras 張量（即 layers.Input() 的輸出），用作模型的圖像輸入。
input_shape：選用的形狀元組，僅在 include_top 為 False 時指定。它應具有正好 3 個輸入通道。
pooling：當 include_top 為 False 時，用於特徵提取的選用池化模式。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 表示全域平均池化將應用於最後一個卷積層的輸出，因此模型的輸出將是 2D 張量。
- max 表示將應用全域最大池化。
classes：選用的要將圖像分類的類別數量，僅在 include_top 為 True 且未指定 weights 引數時指定。1000 是 ImageNet 類別的數量。預設為 1000。
classifier_activation：str 或可呼叫物件。要在「頂部」層上使用的啟動函數。除非 include_top=True，否則會忽略。將 classifier_activation=None 設定為回傳「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

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

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

對於圖像分類用例，請參閱此頁面以了解詳細範例。

對於遷移學習用例，請務必閱讀遷移學習與微調指南。

引數

include_top：是否包含網路頂端的完全連接層。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：選用的 Keras 張量（即 layers.Input() 的輸出），用作模型的圖像輸入。
input_shape：選用的形狀元組，僅在 include_top 為 False 時指定。它應具有正好 3 個輸入通道。
pooling：當 include_top 為 False 時，用於特徵提取的選用池化模式。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 表示全域平均池化將應用於最後一個卷積層的輸出，因此模型的輸出將是 2D 張量。
- max 表示將應用全域最大池化。
classes：選用的要將圖像分類的類別數量，僅在 include_top 為 True 且未指定 weights 引數時指定。1000 是 ImageNet 類別的數量。預設為 1000。
classifier_activation：str 或可呼叫物件。要在「頂部」層上使用的啟動函數。除非 include_top=True，否則會忽略。將 classifier_activation=None 設定為回傳「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

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

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

對於圖像分類用例，請參閱此頁面以了解詳細範例。

對於遷移學習用例，請務必閱讀遷移學習與微調指南。

引數

include_top：是否包含網路頂端的完全連接層。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：選用的 Keras 張量（即 layers.Input() 的輸出），用作模型的圖像輸入。
input_shape：選用的形狀元組，僅在 include_top 為 False 時指定。它應具有正好 3 個輸入通道。
pooling：當 include_top 為 False 時，用於特徵提取的選用池化模式。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 表示全域平均池化將應用於最後一個卷積層的輸出，因此模型的輸出將是 2D 張量。
- max 表示將應用全域最大池化。
classes：選用的要將圖像分類的類別數量，僅在 include_top 為 True 且未指定 weights 引數時指定。1000 是 ImageNet 類別的數量。預設為 1000。
classifier_activation：str 或可呼叫物件。要在「頂部」層上使用的啟動函數。除非 include_top=True，否則會忽略。將 classifier_activation=None 設定為回傳「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

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

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

對於圖像分類用例，請參閱此頁面以了解詳細範例。

對於遷移學習用例，請務必閱讀遷移學習與微調指南。

引數

include_top：是否包含網路頂端的完全連接層。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：選用的 Keras 張量（即 layers.Input() 的輸出），用作模型的圖像輸入。
input_shape：選用的形狀元組，僅在 include_top 為 False 時指定。它應具有正好 3 個輸入通道。
pooling：當 include_top 為 False 時，用於特徵提取的選用池化模式。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 表示全域平均池化將應用於最後一個卷積層的輸出，因此模型的輸出將是 2D 張量。
- max 表示將應用全域最大池化。
classes：選用的要將圖像分類的類別數量，僅在 include_top 為 True 且未指定 weights 引數時指定。1000 是 ImageNet 類別的數量。預設為 1000。
classifier_activation：str 或可呼叫物件。要在「頂部」層上使用的啟動函數。除非 include_top=True，否則會忽略。將 classifier_activation=None 設定為回傳「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

模型實例。

EfficientNet B0 到 B7

EfficientNetB0 函數

EfficientNetB1 函數

EfficientNetB2 函數

EfficientNetB3 函數

EfficientNetB4 函數

EfficientNetB5 函數

EfficientNetB6 函數

EfficientNetB7 函數

EfficientNet B0 到 B7

EfficientNetB0 函數

EfficientNetB1 函數

EfficientNetB2 函數

EfficientNetB3 函數

EfficientNetB4 函數

EfficientNetB5 函數

EfficientNetB6 函數

EfficientNetB7 函數

`EfficientNetB0` 函數

`EfficientNetB1` 函數

`EfficientNetB2` 函數

`EfficientNetB3` 函數

`EfficientNetB4` 函數

`EfficientNetB5` 函數

`EfficientNetB6` 函數

`EfficientNetB7` 函數