从图像分类到Embeddings：tf_mixnet_l.in1k的3种官方用法详解

tf_mixnet_l.in1k 是 timm（PyTorch Image Models）提供的一款 MixNet 图像分类模型，在 ImageNet-1k 上完成预训练，仅 7.3M 参数、0.6 GMACs，轻量高效。本文面向新手，用一篇文章讲清楚它的3 种官方用法：图像分类、特征图提取、图像 Embeddings，并解读 config.json 中的关键配置，帮你快速选对用法。

先认识 tf_mixnet_l.in1k 是什么？🔎

MixNet 源自 Google 的 MixConv 论文（Mixed Depthwise Convolutional Kernels），通过混合不同尺寸的深度可分离卷积核，在精度和计算量之间取得了很好的平衡。

这个仓库是tf_mixnet_l.in1k的模型卡片与权重镜像：模型由论文作者用 TensorFlow 训练，再移植为 PyTorch 版本（即 timm 生态）。核心信息如下：

📁仓库文件结构一览：

💡 两个权重文件内容等价，只是存储格式不同；新项目中建议优先使用加载更安全的 safetensors 格式。

用法一：图像分类（Image Classification）🏷️

这是最直观的用法：给模型一张图，输出 ImageNet 1000 个类别的概率分布。

官方流程只有 4 步，核心思路是「加载模型 → 取官方预处理 → 前向 → 取 Top-K」：

model = timm.create_model('tf_mixnet_l.in1k', pretrained=True) model = model.eval() data_config = timm.data.resolve_model_data_config(model) transforms = timm.data.create_transform(**data_config, is_training=False) output = model(transforms(img).unsqueeze(0)) top5_prob, top5_idx = torch.topk(output.softmax(dim=1) * 100, k=5)

几个新手容易踩的坑：

• 预处理要跟着模型走：resolve_model_data_config会自动应用模型专属的归一化与 resize 参数（对应 config.json 中的mean/std/crop_pct），不要用「自认为标准」的参数替代；
• 输出形状是(batch, 1000)：softmax 后即可解释为各类别概率，k=5表示取 Top-5 预测；
• 完整可运行示例见 README.md 的 Image Classification 小节。

用法二：特征图提取（Feature Map Extraction）🗺️

如果你做目标检测、分割等下游任务，往往不需要分类头，而是想要中间的特征图。timm 只需用一个参数features_only=True切换模式：

model = timm.create_model('tf_mixnet_l.in1k', pretrained=True, features_only=True) model = model.eval() data_config = timm.data.resolve_model_data_config(model) transforms = timm.data.create_transform(**data_config, is_training=False) output = model(transforms(img).unsqueeze(0)) for o in output: print(o.shape)

对一张 224×224 的输入，它返回5 个不同分辨率的特征图列表：

这些多尺度特征图可以直接接分割头、检测头，作为轻量级 backbone 复用，官方示例见 README.md 的 Feature Map Extraction 小节。

用法三：图像 Embeddings（向量表示）🧬

第三种用法是把一张图「压缩」成一个 1536 维向量，用于图像检索、相似度计算、聚类或作为微调起点。官方给出了两种等价写法：

写法 A：创建模型时去掉分类头

model = timm.create_model( 'tf_mixnet_l.in1k', pretrained=True, num_classes=0, # 移除分类器 nn.Linear ) output = model(transforms(img).unsqueeze(0)) # (1, 1536)

写法 B：保留默认模型，手动分两段调用

output = model.forward_features(transforms(img).unsqueeze(0)) # (1, 1536, 7, 7) output = model.forward_head(output, pre_logits=True) # (1, 1536)

要点提示：

• num_classes=0只是「删掉最后的线性层」，前向结果与写法 B 完全一致；
• forward_features输出的是未池化的7×7 特征图，forward_head(pre_logits=True)再完成池化 + 归一化，得到最终 Embedding；
• 得到的 1536 维向量可以直接算余弦相似度，实现「以图搜图」；完整示例见 README.md 的 Image Embeddings 小节。

config.json 关键配置解读 ⚙️

config.json 定义了模型架构tf_mixnet_l与预训练配置pretrained_cfg，几个字段值得注意：

这些参数正是timm.data.resolve_model_data_config会自动读取并应用的来源——这也是官方反复强调「用 timm 工具链生成 transforms」的原因。

3 种用法怎么选？🧭

一句话总结：分类看 logits、下游任务要特征图、检索聚类取 1536 维向量，三种模式共享同一份预训练权重，切换成本几乎为零。模型基于 apache-2.0 协议发布，可放心用于学习与商业场景；引用时请参考 README.md 中的 MixConv 与 timm 两条 BibTeX。