DenseNet 骨幹網路
DenseNetBackbone 類別
keras_cv.models.DenseNetBackbone(
stackwise_num_repeats,
include_rescaling,
input_shape=(None, None, 3),
input_tensor=None,
compression_ratio=0.5,
growth_rate=32,
**kwargs
)
實例化 DenseNet 架構。
參數
- stackwise_num_repeats：整數列表，每個密集區塊中重複的卷積區塊數量。
- include_rescaling：布林值，是否重新縮放輸入。如果設為
True，輸入將通過Rescaling(1/255.0)層。 - input_shape：可選的形狀元組，默認為 (None, None, 3)。
- input_tensor：可選的 Keras 張量（例如
keras.layers.Input()的輸出），用作模型的影像輸入。 - compression_ratio：浮點數，過渡層的壓縮率。
- growth_rate：整數，每個密集區塊添加的濾波器數量。
範例
input_data = tf.ones(shape=(8, 224, 224, 3))
# Pretrained backbone
model = keras_cv.models.DenseNetBackbone.from_preset("densenet121_imagenet")
output = model(input_data)
# Randomly initialized backbone with a custom config
model = DenseNetBackbone(
stackwise_num_repeats=[6, 12, 24, 16],
include_rescaling=False,
)
output = model(input_data)
from_preset 方法
DenseNetBackbone.from_preset()
從預設配置和權重實例化 DenseNetBackbone 模型。
參數
- preset：字串。必須是「densenet121」、「densenet169」、「densenet201」、「densenet121_imagenet」、「densenet169_imagenet」、「densenet201_imagenet」其中之一。如果要尋找具有預先訓練權重的預設值，請選擇「densenet121_imagenet」、「densenet169_imagenet」、「densenet201_imagenet」其中之一。
- load_weights：是否將預先訓練的權重載入模型。默認為
None，這取決於預設值是否有可用的預先訓練權重。
範例
# Load architecture and weights from preset
model = keras_cv.models.DenseNetBackbone.from_preset(
"densenet121_imagenet",
)
# Load randomly initialized model from preset architecture with weights
model = keras_cv.models.DenseNetBackbone.from_preset(
"densenet121_imagenet",
load_weights=False,
| 預設名稱 | 參數 | 描述 |
|---|---|---|
| densenet121 | 未知 | 具有 121 層的 DenseNet 模型。 |
| densenet169 | 未知 | 具有 169 層的 DenseNet 模型。 |
| densenet201 | 未知 | 具有 201 層的 DenseNet 模型。 |
| densenet121_imagenet | 未知 | 具有 121 層的 DenseNet 模型。在 Imagenet 2012 分類任務上訓練。 |
| densenet169_imagenet | 未知 | 具有 169 層的 DenseNet 模型。在 Imagenet 2012 分類任務上訓練。 |
| densenet201_imagenet | 未知 | 具有 201 層的 DenseNet 模型。在 Imagenet 2012 分類任務上訓練。 |
DenseNet121Backbone 類別
keras_cv.models.DenseNet121Backbone(
stackwise_num_repeats,
include_rescaling,
input_shape=(None, None, 3),
input_tensor=None,
compression_ratio=0.5,
growth_rate=32,
**kwargs
)
具有 121 層的 DenseNetBackbone 模型。
參考
對於遷移學習用例，請務必閱讀遷移學習與微調指南。
參數
- include_rescaling：布林值，是否重新縮放輸入。如果設為
True，輸入將通過Rescaling(1/255.0)層。 - input_shape：可選的形狀元組，默認為 (None, None, 3)。
- input_tensor：可選的 Keras 張量（例如
layers.Input()的輸出），用作模型的影像輸入。
範例
input_data = tf.ones(shape=(8, 224, 224, 3))
# Randomly initialized backbone
model = DenseNet121Backbone()
output = model(input_data)
DenseNet169Backbone 類別
keras_cv.models.DenseNet169Backbone(
stackwise_num_repeats,
include_rescaling,
input_shape=(None, None, 3),
input_tensor=None,
compression_ratio=0.5,
growth_rate=32,
**kwargs
)
具有 169 層的 DenseNetBackbone 模型。
參考
對於遷移學習用例，請務必閱讀遷移學習與微調指南。
參數
- include_rescaling：布林值，是否重新縮放輸入。如果設為
True，輸入將通過Rescaling(1/255.0)層。 - input_shape：可選的形狀元組，默認為 (None, None, 3)。
- input_tensor：可選的 Keras 張量（例如
layers.Input()的輸出），用作模型的影像輸入。
範例
input_data = tf.ones(shape=(8, 224, 224, 3))
# Randomly initialized backbone
model = DenseNet169Backbone()
output = model(input_data)
DenseNet201Backbone 類別
keras_cv.models.DenseNet201Backbone(
stackwise_num_repeats,
include_rescaling,
input_shape=(None, None, 3),
input_tensor=None,
compression_ratio=0.5,
growth_rate=32,
**kwargs
)
具有 201 層的 DenseNetBackbone 模型。
參考
對於遷移學習用例，請務必閱讀遷移學習與微調指南。
參數
- include_rescaling：布林值，是否重新縮放輸入。如果設為
True，輸入將通過Rescaling(1/255.0)層。 - input_shape：可選的形狀元組，默認為 (None, None, 3)。
- input_tensor：可選的 Keras 張量（例如
layers.Input()的輸出），用作模型的影像輸入。
範例
input_data = tf.ones(shape=(8, 224, 224, 3))
# Randomly initialized backbone
model = DenseNet201Backbone()
output = model(input_data)