ResNet 和 ResNetV2

[原始碼]

ResNet50 函數

keras.applications.ResNet50(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="resnet50",
)

實例化 ResNet50 架構。

參考文獻

• 用於圖像辨識的深度殘差學習 (CVPR 2015)

關於圖像分類的使用案例，請參閱此頁面以取得詳細範例。

關於遷移學習的使用案例，請務必閱讀遷移學習與微調指南。

注意：每個 Keras 應用都期望特定種類的輸入預處理。對於 ResNet，在將輸入傳遞給模型之前，請在您的輸入上呼叫 keras.applications.resnet.preprocess_input。resnet.preprocess_input 將會把輸入影像從 RGB 轉換為 BGR，然後將每個色彩通道根據 ImageNet 資料集進行零中心化，而不進行縮放。

參數

• include_top：是否包含網路頂端的全連接層。
• 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。
• input_tensor：可選的 Keras 張量（即 layers.Input() 的輸出），用作模型的影像輸入。
• input_shape：可選的形狀元組，只有在 include_top 為 False 時才需要指定（否則輸入形狀必須是 (224, 224, 3)（使用 "channels_last" 資料格式）或 (3, 224, 224)（使用 "channels_first" 資料格式）。它應該恰好有 3 個輸入通道，且寬度和高度都不應小於 32。例如，(200, 200, 3) 將會是一個有效值。
• pooling：當 include_top 為 False 時，用於特徵提取的可選池化模式。
  • None 表示模型的輸出將會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，因此模型的輸出將會是 2D 張量。
  • max 表示將應用全域最大池化。
• classes：可選的影像分類類別數量，只有在 include_top 為 True 且沒有指定 weights 參數時才需要指定。預設值為 1000。
• classifier_activation：一個 str 或可呼叫物件。用於「頂層」的啟動函數。除非 include_top=True，否則會被忽略。設定 classifier_activation=None 以傳回「頂層」的 logits。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）。

傳回值

一個模型實例。

[原始碼]

ResNet101 函數

keras.applications.ResNet101(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="resnet101",
)

實例化 ResNet101 架構。

參考文獻

• 用於圖像辨識的深度殘差學習 (CVPR 2015)

關於圖像分類的使用案例，請參閱此頁面以取得詳細範例。

關於遷移學習的使用案例，請務必閱讀遷移學習與微調指南。

注意：每個 Keras 應用都期望特定種類的輸入預處理。對於 ResNet，在將輸入傳遞給模型之前，請在您的輸入上呼叫 keras.applications.resnet.preprocess_input。resnet.preprocess_input 將會把輸入影像從 RGB 轉換為 BGR，然後將每個色彩通道根據 ImageNet 資料集進行零中心化，而不進行縮放。

參數

• include_top：是否包含網路頂端的全連接層。
• 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。
• input_tensor：可選的 Keras 張量（即 layers.Input() 的輸出），用作模型的影像輸入。
• input_shape：可選的形狀元組，只有在 include_top 為 False 時才需要指定（否則輸入形狀必須是 (224, 224, 3)（使用 "channels_last" 資料格式）或 (3, 224, 224)（使用 "channels_first" 資料格式）。它應該恰好有 3 個輸入通道，且寬度和高度都不應小於 32。例如，(200, 200, 3) 將會是一個有效值。
• pooling：當 include_top 為 False 時，用於特徵提取的可選池化模式。
  • None 表示模型的輸出將會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，因此模型的輸出將會是 2D 張量。
  • max 表示將應用全域最大池化。
• classes：可選的影像分類類別數量，只有在 include_top 為 True 且沒有指定 weights 參數時才需要指定。預設值為 1000。
• classifier_activation：一個 str 或可呼叫物件。用於「頂層」的啟動函數。除非 include_top=True，否則會被忽略。設定 classifier_activation=None 以傳回「頂層」的 logits。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）。

傳回值

一個模型實例。

[原始碼]

ResNet152 函數

keras.applications.ResNet152(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="resnet152",
)

實例化 ResNet152 架構。

參考文獻

• 用於圖像辨識的深度殘差學習 (CVPR 2015)

關於圖像分類的使用案例，請參閱此頁面以取得詳細範例。

關於遷移學習的使用案例，請務必閱讀遷移學習與微調指南。

注意：每個 Keras 應用都期望特定種類的輸入預處理。對於 ResNet，在將輸入傳遞給模型之前，請在您的輸入上呼叫 keras.applications.resnet.preprocess_input。resnet.preprocess_input 將會把輸入影像從 RGB 轉換為 BGR，然後將每個色彩通道根據 ImageNet 資料集進行零中心化，而不進行縮放。

參數

• include_top：是否包含網路頂端的全連接層。
• 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。
• input_tensor：可選的 Keras 張量（即 layers.Input() 的輸出），用作模型的影像輸入。
• input_shape：可選的形狀元組，只有在 include_top 為 False 時才需要指定（否則輸入形狀必須是 (224, 224, 3)（使用 "channels_last" 資料格式）或 (3, 224, 224)（使用 "channels_first" 資料格式）。它應該恰好有 3 個輸入通道，且寬度和高度都不應小於 32。例如，(200, 200, 3) 將會是一個有效值。
• pooling：當 include_top 為 False 時，用於特徵提取的可選池化模式。
  • None 表示模型的輸出將會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，因此模型的輸出將會是 2D 張量。
  • max 表示將應用全域最大池化。
• classes：可選的影像分類類別數量，只有在 include_top 為 True 且沒有指定 weights 參數時才需要指定。預設值為 1000。
• classifier_activation：一個 str 或可呼叫物件。用於「頂層」的啟動函數。除非 include_top=True，否則會被忽略。設定 classifier_activation=None 以傳回「頂層」的 logits。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）。

傳回值

一個模型實例。

[原始碼]

ResNet50V2 函數

keras.applications.ResNet50V2(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="resnet50v2",
)

實例化 ResNet50V2 架構。

參考文獻

• 深度殘差網路中的身分映射 (CVPR 2016)

關於圖像分類的使用案例，請參閱此頁面以取得詳細範例。

關於遷移學習的使用案例，請務必閱讀遷移學習與微調指南。

注意：每個 Keras 應用都期望特定種類的輸入預處理。對於 ResNet，在將輸入傳遞給模型之前，請在您的輸入上呼叫 keras.applications.resnet_v2.preprocess_input。resnet_v2.preprocess_input 將會把輸入像素縮放到 -1 和 1 之間。

參數

• include_top：是否包含網路頂端的全連接層。
• 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。
• input_tensor：可選的 Keras 張量（即 layers.Input() 的輸出），用作模型的影像輸入。
• input_shape：可選的形狀元組，只有在 include_top 為 False 時才需要指定（否則輸入形狀必須是 (224, 224, 3)（使用 "channels_last" 資料格式）或 (3, 224, 224)（使用 "channels_first" 資料格式）。它應該恰好有 3 個輸入通道，且寬度和高度都不應小於 32。例如，(200, 200, 3) 將會是一個有效值。
• pooling：當 include_top 為 False 時，用於特徵提取的可選池化模式。
  • None 表示模型的輸出將會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，因此模型的輸出將會是 2D 張量。
  • max 表示將應用全域最大池化。
• classes：可選的影像分類類別數量，只有在 include_top 為 True 且沒有指定 weights 參數時才需要指定。
• classifier_activation：一個 str 或可呼叫物件。用於「頂層」的啟動函數。除非 include_top=True，否則會被忽略。設定 classifier_activation=None 以傳回「頂層」的 logits。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）。

傳回值

一個模型實例。

[原始碼]

ResNet101V2 函數

keras.applications.ResNet101V2(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="resnet101v2",
)

實例化 ResNet101V2 架構。

參考文獻

• 深度殘差網路中的身分映射 (CVPR 2016)

關於圖像分類的使用案例，請參閱此頁面以取得詳細範例。

關於遷移學習的使用案例，請務必閱讀遷移學習與微調指南。

注意：每個 Keras 應用都期望特定種類的輸入預處理。對於 ResNet，在將輸入傳遞給模型之前，請在您的輸入上呼叫 keras.applications.resnet_v2.preprocess_input。resnet_v2.preprocess_input 將會把輸入像素縮放到 -1 和 1 之間。

參數

• include_top：是否包含網路頂端的全連接層。
• 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。
• input_tensor：可選的 Keras 張量（即 layers.Input() 的輸出），用作模型的影像輸入。
• input_shape：可選的形狀元組，只有在 include_top 為 False 時才需要指定（否則輸入形狀必須是 (224, 224, 3)（使用 "channels_last" 資料格式）或 (3, 224, 224)（使用 "channels_first" 資料格式）。它應該恰好有 3 個輸入通道，且寬度和高度都不應小於 32。例如，(200, 200, 3) 將會是一個有效值。
• pooling：當 include_top 為 False 時，用於特徵提取的可選池化模式。
  • None 表示模型的輸出將會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，因此模型的輸出將會是 2D 張量。
  • max 表示將應用全域最大池化。
• classes：可選的影像分類類別數量，只有在 include_top 為 True 且沒有指定 weights 參數時才需要指定。
• classifier_activation：一個 str 或可呼叫物件。用於「頂層」的啟動函數。除非 include_top=True，否則會被忽略。設定 classifier_activation=None 以傳回「頂層」的 logits。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）。

傳回值

一個模型實例。

[原始碼]

ResNet152V2 函數

keras.applications.ResNet152V2(
    include_top=True,
    weights="imagenet",
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation="softmax",
    name="resnet152v2",
)

實例化 ResNet152V2 架構。

參考文獻

• 深度殘差網路中的身分映射 (CVPR 2016)

關於圖像分類的使用案例，請參閱此頁面以取得詳細範例。

關於遷移學習的使用案例，請務必閱讀遷移學習與微調指南。

注意：每個 Keras 應用都期望特定種類的輸入預處理。對於 ResNet，在將輸入傳遞給模型之前，請在您的輸入上呼叫 keras.applications.resnet_v2.preprocess_input。resnet_v2.preprocess_input 將會把輸入像素縮放到 -1 和 1 之間。

參數

• include_top：是否包含網路頂端的全連接層。
• 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。
• input_tensor：可選的 Keras 張量（即 layers.Input() 的輸出），用作模型的影像輸入。
• input_shape：可選的形狀元組，只有在 include_top 為 False 時才需要指定（否則輸入形狀必須是 (224, 224, 3)（使用 "channels_last" 資料格式）或 (3, 224, 224)（使用 "channels_first" 資料格式）。它應該恰好有 3 個輸入通道，且寬度和高度都不應小於 32。例如，(200, 200, 3) 將會是一個有效值。
• pooling：當 include_top 為 False 時，用於特徵提取的可選池化模式。
  • None 表示模型的輸出將會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，因此模型的輸出將會是 2D 張量。
  • max 表示將應用全域最大池化。
• classes：可選的影像分類類別數量，只有在 include_top 為 True 且沒有指定 weights 參數時才需要指定。
• classifier_activation：一個 str 或可呼叫物件。用於「頂層」的啟動函數。除非 include_top=True，否則會被忽略。設定 classifier_activation=None 以傳回「頂層」的 logits。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）。

傳回值

一個模型實例。