tf.keras.applications.ConvNeXtBase

Инициализирует архитектуру 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 задач классификации изображений, см. эту страницу для подробных примеров. Для задач обучения с переносом, обязательно прочитайте руководство по обучению с переносом и дообучению.

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

Примечание: Каждая Keras-приложение ожидает определенного вида предобработки входных данных. Для ConvNeXt предобработка включена в модель с помощью слоя Normalization. Модели ConvNeXt ожидают, что их входные данные будут представлять собой тензоры float или uint8 пикселей со значениями в диапазоне [0-255].

При вызове метода summary() после инициализации модели ConvNeXt, предпочтительнее установить аргумент expand_nested со значением summary(), чтобы лучше изучить инициализированную модель.