EfficientNetV2 B0 至 B3 和 S、M、L

[原始碼]

EfficientNetV2B0 函式

keras.applications.EfficientNetV2B0(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    include_preprocessing=True,
    name="efficientnetv2-b0",
)

實例化 EfficientNetV2B0 架構。

參考文獻

• EfficientNetV2：更小的模型和更快的訓練 (ICML 2021)

此函式回傳 Keras 圖像分類模型，可選擇性載入以 ImageNet 預訓練的權重。

對於圖像分類用例，請參閱此頁面以取得詳細範例。

對於遷移學習用例，請務必閱讀遷移學習與微調指南。

注意：每個 Keras 應用程式都預期特定種類的輸入預處理。對於 EfficientNetV2，預設情況下，輸入預處理包含在模型中（作為 Rescaling 層），因此 keras.applications.efficientnet_v2.preprocess_input 實際上是一個直通函式。在此用例中，EfficientNetV2 模型預期其輸入為像素值在 [0, 255] 範圍內的浮點張量。同時，可以透過將 include_preprocessing 引數設定為 False 來停用作為模型一部分的預處理（即 Rescaling 層）。停用預處理後，EfficientNetV2 模型預期其輸入為像素值在 [-1, 1] 範圍內的浮點張量。

引數

• include_top：布林值，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）之一，或要載入的權重檔案路徑。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。它應恰好有 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 2D 張量。
  • "max" 表示將應用全域最大池化。
• classes：選用的圖像分類類別數量，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：字串或可呼叫物件。要在「頂部」層上使用的啟動函數。除非 include_top=True，否則會忽略。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 只能是 None 或 "softmax"。
• name：模型的名稱（字串）。

回傳

模型實例。

[原始碼]

EfficientNetV2B1 函式

keras.applications.EfficientNetV2B1(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    include_preprocessing=True,
    name="efficientnetv2-b1",
)

實例化 EfficientNetV2B1 架構。

參考文獻

• EfficientNetV2：更小的模型和更快的訓練 (ICML 2021)

此函式回傳 Keras 圖像分類模型，可選擇性載入以 ImageNet 預訓練的權重。

對於圖像分類用例，請參閱此頁面以取得詳細範例。

對於遷移學習用例，請務必閱讀遷移學習與微調指南。

注意：每個 Keras 應用程式都預期特定種類的輸入預處理。對於 EfficientNetV2，預設情況下，輸入預處理包含在模型中（作為 Rescaling 層），因此 keras.applications.efficientnet_v2.preprocess_input 實際上是一個直通函式。在此用例中，EfficientNetV2 模型預期其輸入為像素值在 [0, 255] 範圍內的浮點張量。同時，可以透過將 include_preprocessing 引數設定為 False 來停用作為模型一部分的預處理（即 Rescaling 層）。停用預處理後，EfficientNetV2 模型預期其輸入為像素值在 [-1, 1] 範圍內的浮點張量。

引數

• include_top：布林值，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）之一，或要載入的權重檔案路徑。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。它應恰好有 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 2D 張量。
  • "max" 表示將應用全域最大池化。
• classes：選用的圖像分類類別數量，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：字串或可呼叫物件。要在「頂部」層上使用的啟動函數。除非 include_top=True，否則會忽略。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 只能是 None 或 "softmax"。
• name：模型的名稱（字串）。

回傳

模型實例。

[原始碼]

EfficientNetV2B2 函式

keras.applications.EfficientNetV2B2(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    include_preprocessing=True,
    name="efficientnetv2-b2",
)

實例化 EfficientNetV2B2 架構。

參考文獻

• EfficientNetV2：更小的模型和更快的訓練 (ICML 2021)

此函式回傳 Keras 圖像分類模型，可選擇性載入以 ImageNet 預訓練的權重。

對於圖像分類用例，請參閱此頁面以取得詳細範例。

對於遷移學習用例，請務必閱讀遷移學習與微調指南。

注意：每個 Keras 應用程式都預期特定種類的輸入預處理。對於 EfficientNetV2，預設情況下，輸入預處理包含在模型中（作為 Rescaling 層），因此 keras.applications.efficientnet_v2.preprocess_input 實際上是一個直通函式。在此用例中，EfficientNetV2 模型預期其輸入為像素值在 [0, 255] 範圍內的浮點張量。同時，可以透過將 include_preprocessing 引數設定為 False 來停用作為模型一部分的預處理（即 Rescaling 層）。停用預處理後，EfficientNetV2 模型預期其輸入為像素值在 [-1, 1] 範圍內的浮點張量。

引數

• include_top：布林值，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）之一，或要載入的權重檔案路徑。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。它應恰好有 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 2D 張量。
  • "max" 表示將應用全域最大池化。
• classes：選用的圖像分類類別數量，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：字串或可呼叫物件。要在「頂部」層上使用的啟動函數。除非 include_top=True，否則會忽略。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 只能是 None 或 "softmax"。
• name：模型的名稱（字串）。

回傳

模型實例。

[原始碼]

EfficientNetV2B3 函式

keras.applications.EfficientNetV2B3(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    include_preprocessing=True,
    name="efficientnetv2-b3",
)

實例化 EfficientNetV2B3 架構。

參考文獻

• EfficientNetV2：更小的模型和更快的訓練 (ICML 2021)

此函式回傳 Keras 圖像分類模型，可選擇性載入以 ImageNet 預訓練的權重。

對於圖像分類用例，請參閱此頁面以取得詳細範例。

對於遷移學習用例，請務必閱讀遷移學習與微調指南。

注意：每個 Keras 應用程式都預期特定種類的輸入預處理。對於 EfficientNetV2，預設情況下，輸入預處理包含在模型中（作為 Rescaling 層），因此 keras.applications.efficientnet_v2.preprocess_input 實際上是一個直通函式。在此用例中，EfficientNetV2 模型預期其輸入為像素值在 [0, 255] 範圍內的浮點張量。同時，可以透過將 include_preprocessing 引數設定為 False 來停用作為模型一部分的預處理（即 Rescaling 層）。停用預處理後，EfficientNetV2 模型預期其輸入為像素值在 [-1, 1] 範圍內的浮點張量。

引數

• include_top：布林值，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）之一，或要載入的權重檔案路徑。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。它應恰好有 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 2D 張量。
  • "max" 表示將應用全域最大池化。
• classes：選用的圖像分類類別數量，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：字串或可呼叫物件。要在「頂部」層上使用的啟動函數。除非 include_top=True，否則會忽略。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 只能是 None 或 "softmax"。
• name：模型的名稱（字串）。

回傳

模型實例。

[原始碼]

EfficientNetV2S 函式

keras.applications.EfficientNetV2S(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    include_preprocessing=True,
    name="efficientnetv2-s",
)

實例化 EfficientNetV2S 架構。

參考文獻

• EfficientNetV2：更小的模型和更快的訓練 (ICML 2021)

此函式回傳 Keras 圖像分類模型，可選擇性載入以 ImageNet 預訓練的權重。

對於圖像分類用例，請參閱此頁面以取得詳細範例。

對於遷移學習用例，請務必閱讀遷移學習與微調指南。

注意：每個 Keras 應用程式都預期特定種類的輸入預處理。對於 EfficientNetV2，預設情況下，輸入預處理包含在模型中（作為 Rescaling 層），因此 keras.applications.efficientnet_v2.preprocess_input 實際上是一個直通函式。在此用例中，EfficientNetV2 模型預期其輸入為像素值在 [0, 255] 範圍內的浮點張量。同時，可以透過將 include_preprocessing 引數設定為 False 來停用作為模型一部分的預處理（即 Rescaling 層）。停用預處理後，EfficientNetV2 模型預期其輸入為像素值在 [-1, 1] 範圍內的浮點張量。

引數

• include_top：布林值，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）之一，或要載入的權重檔案路徑。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。它應恰好有 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 2D 張量。
  • "max" 表示將應用全域最大池化。
• classes：選用的圖像分類類別數量，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：字串或可呼叫物件。要在「頂部」層上使用的啟動函數。除非 include_top=True，否則會忽略。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 只能是 None 或 "softmax"。
• name：模型的名稱（字串）。

回傳

模型實例。

[原始碼]

EfficientNetV2M 函式

keras.applications.EfficientNetV2M(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    include_preprocessing=True,
    name="efficientnetv2-m",
)

實例化 EfficientNetV2M 架構。

參考文獻

• EfficientNetV2：更小的模型和更快的訓練 (ICML 2021)

此函式回傳 Keras 圖像分類模型，可選擇性載入以 ImageNet 預訓練的權重。

對於圖像分類用例，請參閱此頁面以取得詳細範例。

對於遷移學習用例，請務必閱讀遷移學習與微調指南。

注意：每個 Keras 應用程式都預期特定種類的輸入預處理。對於 EfficientNetV2，預設情況下，輸入預處理包含在模型中（作為 Rescaling 層），因此 keras.applications.efficientnet_v2.preprocess_input 實際上是一個直通函式。在此用例中，EfficientNetV2 模型預期其輸入為像素值在 [0, 255] 範圍內的浮點張量。同時，可以透過將 include_preprocessing 引數設定為 False 來停用作為模型一部分的預處理（即 Rescaling 層）。停用預處理後，EfficientNetV2 模型預期其輸入為像素值在 [-1, 1] 範圍內的浮點張量。

引數

• include_top：布林值，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）之一，或要載入的權重檔案路徑。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。它應恰好有 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 2D 張量。
  • "max" 表示將應用全域最大池化。
• classes：選用的圖像分類類別數量，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：字串或可呼叫物件。要在「頂部」層上使用的啟動函數。除非 include_top=True，否則會忽略。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 只能是 None 或 "softmax"。
• name：模型的名稱（字串）。

回傳

模型實例。

[原始碼]

EfficientNetV2L 函式

keras.applications.EfficientNetV2L(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    include_preprocessing=True,
    name="efficientnetv2-l",
)

實例化 EfficientNetV2L 架構。

參考文獻

• EfficientNetV2：更小的模型和更快的訓練 (ICML 2021)

此函式回傳 Keras 圖像分類模型，可選擇性載入以 ImageNet 預訓練的權重。

對於圖像分類用例，請參閱此頁面以取得詳細範例。

對於遷移學習用例，請務必閱讀遷移學習與微調指南。

注意：每個 Keras 應用程式都預期特定種類的輸入預處理。對於 EfficientNetV2，預設情況下，輸入預處理包含在模型中（作為 Rescaling 層），因此 keras.applications.efficientnet_v2.preprocess_input 實際上是一個直通函式。在此用例中，EfficientNetV2 模型預期其輸入為像素值在 [0, 255] 範圍內的浮點張量。同時，可以透過將 include_preprocessing 引數設定為 False 來停用作為模型一部分的預處理（即 Rescaling 層）。停用預處理後，EfficientNetV2 模型預期其輸入為像素值在 [-1, 1] 範圍內的浮點張量。

引數

• include_top：布林值，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）之一，或要載入的權重檔案路徑。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。它應恰好有 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 2D 張量。
  • "max" 表示將應用全域最大池化。
• classes：選用的圖像分類類別數量，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：字串或可呼叫物件。要在「頂部」層上使用的啟動函數。除非 include_top=True，否則會忽略。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 只能是 None 或 "softmax"。
• name：模型的名稱（字串）。

回傳

模型實例。