tf.keras.applications.MobileNetV3Small

Создает экземпляр архитектуры MobileNetV3Small.

tf.keras.applications.MobileNetV3Small(
    input_shape=None,
    alpha=1.0,
    minimalistic=False,
    include_top=True,
    weights='imagenet',
    input_tensor=None,
    classes=1000,
    pooling=None,
    dropout_rate=0.2,
    classifier_activation='softmax',
    include_preprocessing=True
)

Используется в блокнотах

Используется в учебных материалах
Создание описаний изображений с визуальным вниманием

Ссылка:

Поиск MobileNetV3 (ICCV 2019)

В следующей таблице описана производительность MobileNet v3:

MACs — это количество операций умножения и сложения

Контрольная точка классификации	MACs (млн)	Параметры (млн)	Точность Top1	Pixel1 CPU (мс)
mobilenet_v3_large_1.0_224	217	5.4	75.6	51.2
mobilenet_v3_large_0.75_224	155	4.0	73.3	39.8
mobilenet_v3_large_minimalistic_1.0_224	209	3.9	72.3	44.1
mobilenet_v3_small_1.0_224	66	2.9	68.1	15.8
mobilenet_v3_small_0.75_224	44	2.4	65.4	12.8
mobilenet_v3_small_minimalistic_1.0_224	65	2.0	61.9	12.2

Примеры использования для классификации изображений см. на этой странице.

Если вы используете перенос обучения, обязательно прочитайте руководство по переносу обучения и тонкой настройке.

Примечание: для каждого приложения Keras требуется определенная предварительная обработка входных данных. По умолчанию в MobileNetV3 предварительная обработка входных данных включена в модель в виде слоя Rescaling, поэтому keras.applications.mobilenet_v3.preprocess_input фактически является функцией-заглушкой. В этом случае моделям MobileNetV3 требуются входные данные в виде тензоров с плавающей точкой, содержащих значения пикселей в диапазоне [0-255]. При этом предварительную обработку в составе модели (то есть слой Rescaling) можно отключить, задав аргументу include_preprocessing значение False. При отключенной предварительной обработке моделям MobileNetV3 требуются входные данные в виде тензоров с плавающей точкой, содержащих значения пикселей в диапазоне [-1, 1].

Аргументы
`input_shape`	Необязательный кортеж формы, указываемый, если вы хотите использовать модель с разрешением входного изображения, отличным от `(224, 224, 3)`. Он должен содержать ровно 3 входных канала. Этот параметр можно не указывать, если вы хотите определить input_shape по input_tensor. Если указаны и input_tensor, и input_shape, то будет использован input_shape, если они совпадают; если формы не совпадают, будет выдана ошибка. Например, `(160, 160, 3)` — допустимое значение.
`alpha`	управляет шириной сети. В статье о MobileNetV3 этот параметр называется множителем глубины, но здесь сохранено это название для соответствия MobileNetV1 в Keras. Если `alpha < 1.0`, количество фильтров в каждом слое пропорционально уменьшается. Если `alpha > 1.0`, количество фильтров в каждом слое пропорционально увеличивается. Если `alpha == 1`, в каждом слое используется заданное в статье количество фильтров по умолчанию.
`minimalistic`	Помимо больших и малых моделей, этот модуль также содержит так называемые минималистичные модели. Их размеры отдельных слоев такие же, как у MobileNetV3, однако в них не используются продвинутые блоки (блоки squeeze-and-excite, hard-swish и свертки 5x5). Хотя эти модели менее эффективны на CPU, они значительно производительнее на GPU/DSP.
`include_top`	Логическое значение, определяющее, следует ли включить полносвязный слой в верхней части сети. По умолчанию — `True`.
`weights`	Строка: `None` (случайная инициализация), `"imagenet"` (предварительное обучение на ImageNet) или путь к файлу весов для загрузки.
`input_tensor`	Необязательный тензор Keras (то есть выход `layers.Input()`), используемый в качестве входного изображения для модели.
`pooling`	Строка, необязательный режим пулинга для извлечения признаков, если `include_top` равен `False`. `None` означает, что выходом модели будет выходной 4D-тензор последнего сверточного блока. `avg` означает, что к выходу последнего сверточного блока будет применен глобальный average pooling, поэтому выходом модели будет 2D-тензор. `max` означает, что будет применен глобальный max pooling.
`classes`	Целое число, необязательное количество классов для классификации изображений. Указывается, только если `include_top` равен `True` и не задан аргумент `weights`.
`dropout_rate`	Доля входных единиц, отбрасываемых на последнем слое.
`classifier_activation`	`str` или вызываемый объект. Функция активации для верхнего слоя. Игнорируется, если не выполнено условие `include_top=True`. Задайте `classifier_activation=None`, чтобы возвращать логиты верхнего слоя. При загрузке предварительно обученных весов значение `classifier_activation` может быть только `None` или `"softmax"`.
`include_preprocessing`	Логическое значение, определяющее, следует ли включить слой предварительной обработки (`Rescaling`) в нижней части сети. По умолчанию — `True`.

Аргументы вызова
`inputs`	Тензор `numpy.array` с плавающей точкой или тензор, нативный для бэкенда, размерности 4D и с 3 цветовыми каналами; значения находятся в диапазоне `[0, 255]`, если `include_preprocessing` равен `True`, и в диапазоне `[-1, 1]` в противном случае.

Возвращаемое значение
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/MobileNetV3Small