tf.keras.applications.ConvNeXtBase

Создает экземпляр архитектуры ConvNeXtBase.

Просмотреть псевдонимы

Основные псевдонимы

tf.keras.applications.convnext.ConvNeXtBase

tf.keras.applications.ConvNeXtBase(
    model_name='convnext_base',
    include_top=True,
    include_preprocessing=True,
    weights='imagenet',
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=1000,
    classifier_activation='softmax'
)

Ссылки:

A ConvNet for the 2020s (CVPR 2022)

Для сценариев классификации изображений подробные примеры см. на этой странице. Для сценариев трансферного обучения обязательно ознакомьтесь с руководством по трансферному обучению и тонкой настройке.

Модели base, large и xlarge сначала были предварительно обучены на наборе данных ImageNet-21k, а затем дообучены на наборе данных ImageNet-1k. Предварительно обученные параметры моделей были взяты из официального репозитория. Чтобы получить представление о том, как эти параметры были преобразованы в параметры, совместимые с Keras, обратитесь к этому репозиторию.

Примечание: Каждое приложение Keras ожидает определенный тип предварительной обработки входных данных. Для ConvNeXt предварительная обработка включена в модель с помощью слоя Normalization. Модели ConvNeXt ожидают, что их входными данными будут тензоры пикселей типа float или uint8 со значениями в диапазоне [0-255].

При вызове метода summary() после создания экземпляра модели ConvNeXt рекомендуется установить аргумент expand_nested summary() в значение True, чтобы лучше исследовать созданную модель.

Аргументы
`include_top`	Следует ли включать полносвязный слой на выходе сети. По умолчанию `True`.
`weights`	Одно из следующих значений: `None` (случайная инициализация), `"imagenet"` (предварительное обучение на ImageNet-1k) или путь к загружаемому файлу весов. По умолчанию `"imagenet"`.
`input_tensor`	Необязательный тензор Keras (т. е. выход `layers.Input()`), используемый в качестве входных данных изображения для модели.
`input_shape`	Необязательный кортеж формы, указывается только в том случае, если `include_top` имеет значение `False`. Должен иметь ровно 3 входных канала.
`pooling`	Необязательный режим пулинга для извлечения признаков, когда `include_top` имеет значение `False`. По умолчанию None. `None` означает, что выходом модели будет 4D-тензор, являющийся выходом последнего сверточного слоя. `avg` означает, что к выходу последнего сверточного слоя будет применен глобальный average pooling, и, таким образом, выходом модели будет 2D-тензор. `max` означает, что будет применен глобальный max pooling.
`classes`	Необязательное количество классов для классификации изображений, указывается только в том случае, если `include_top` имеет значение `True` и не указан аргумент `weights`. По умолчанию 1000 (количество классов ImageNet).
`classifier_activation`	`str` или вызываемый объект. Функция активации для использования на верхнем («top») слое. Игнорируется, если не `include_top=True`. Установите `classifier_activation=None`, чтобы возвращать логиты верхнего слоя. По умолчанию `"softmax"`. При загрузке предварительно обученных весов `classifier_activation` может быть только `None` или `"softmax"`.

Возвращает
Экземпляр модели.

© 2022 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 4.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/api_docs/python/tf/keras/applications/ConvNeXtBase