MobileNetV3 骨幹網路
MobileNetV3Backbone 類別
keras_cv.models.MobileNetV3Backbone(
stackwise_expansion,
stackwise_filters,
stackwise_kernel_size,
stackwise_stride,
stackwise_se_ratio,
stackwise_activation,
include_rescaling,
input_shape=(None, None, 3),
input_tensor=None,
alpha=1.0,
**kwargs
)
實例化 MobileNetV3 架構。
參考資料
- 搜尋 MobileNetV3 (ICCV 2019) - 基於原始 keras.applications MobileNetv3
對於遷移學習用例，請務必閱讀遷移學習和微調指南。
參數
- stackwise_expansion：整數或浮點數列表，模型中每個反向殘差區塊的擴展比例。
- stackwise_filters：整數列表，模型中每個反向殘差區塊的過濾器數量。
- stackwise_stride：整數列表，模型中每個反向殘差區塊的步幅長度。
- include_rescaling：布林值，是否重新調整輸入。如果設為 True，則輸入將通過
Rescaling(scale=1 / 255)層。 - input_shape：可選的形狀元組，預設為 (None, None, 3)。
- input_tensor：可選的 Keras 張量（即
layers.Input()的輸出），用作模型的圖像輸入。 - alpha：浮點數，控制網路的寬度。這在 MobileNetV3 論文中稱為深度乘數，但為了與 Keras 中的 MobileNetV1 保持一致，保留了此名稱。
- 如果
alpha< 1.0，則按比例減少每一層中的過濾器數量。 - 如果
alpha> 1.0，則按比例增加每一層中的過濾器數量。 - 如果
alpha= 1，則在每一層使用論文中的預設過濾器數量。
- 如果
範例
input_data = tf.ones(shape=(8, 224, 224, 3))
# Randomly initialized backbone with a custom config
model = MobileNetV3Backbone(
stackwise_expansion=[1, 72.0 / 16, 88.0 / 24, 4, 6, 6, 3, 3, 6, 6, 6],
stackwise_filters=[16, 24, 24, 40, 40, 40, 48, 48, 96, 96, 96],
stackwise_kernel_size=[3, 3, 3, 5, 5, 5, 5, 5, 5, 5, 5],
stackwise_stride=[2, 2, 1, 2, 1, 1, 1, 1, 2, 1, 1],
stackwise_se_ratio=[0.25, None, None, 0.25, 0.25, 0.25, 0.25, 0.25, 0.25, 0.25, 0.25],
stackwise_activation=["relu", "relu", "relu", "hard_swish", "hard_swish", "hard_swish", "hard_swish", "hard_swish", "hard_swish", "hard_swish", "hard_swish"],
include_rescaling=False,
)
output = model(input_data)
from_preset 方法
MobileNetV3Backbone.from_preset()
從預設配置和權重實例化 MobileNetV3Backbone 模型。
參數
- preset：字串。必須是 "mobilenet_v3_small"、"mobilenet_v3_large"、"mobilenet_v3_large_imagenet"、"mobilenet_v3_small_imagenet" 其中之一。如果要尋找具有預先訓練權重的預設配置，請選擇 "mobilenet_v3_large_imagenet" 或 "mobilenet_v3_small_imagenet" 其中之一。
- load_weights：是否將預先訓練的權重載入模型。預設為
None，這取決於預設配置是否有可用的預先訓練權重。
範例
# Load architecture and weights from preset
model = keras_cv.models.MobileNetV3Backbone.from_preset(
"mobilenet_v3_large_imagenet",
)
# Load randomly initialized model from preset architecture with weights
model = keras_cv.models.MobileNetV3Backbone.from_preset(
"mobilenet_v3_large_imagenet",
load_weights=False,
| 預設名稱 | 參數 | 說明 |
|---|---|---|
| mobilenet_v3_small | 933.50K | 具有 14 層的 MobileNetV3 模型，在卷積層後應用批次標準化和硬性 swish 激活函數。 |
| mobilenet_v3_large | 2.99M | 具有 28 層的 MobileNetV3 模型，在卷積層後應用批次標準化和硬性 swish 激活函數。 |
| mobilenet_v3_large_imagenet | 2.99M | 具有 28 層的 MobileNetV3 模型，在卷積層後應用批次標準化和硬性 swish 激活函數。在 ImageNet 2012 分類任務上進行了預先訓練。 |
| mobilenet_v3_small_imagenet | 933.50K | 具有 14 層的 MobileNetV3 模型，在卷積層後應用批次標準化和硬性 swish 激活函數。在 ImageNet 2012 分類任務上進行了預先訓練。 |
MobileNetV3SmallBackbone 類別
keras_cv.models.MobileNetV3SmallBackbone(
stackwise_expansion,
stackwise_filters,
stackwise_kernel_size,
stackwise_stride,
stackwise_se_ratio,
stackwise_activation,
include_rescaling,
input_shape=(None, None, 3),
input_tensor=None,
alpha=1.0,
**kwargs
)
具有 14 層的 MobileNetV3Backbone 模型。
參考資料
對於遷移學習用例，請務必閱讀遷移學習和微調指南。
參數
- include_rescaling：布林值，是否重新縮放輸入。如果設定為 True，則輸入將通過
Rescaling(scale=1 / 255)層。預設值為 True。 - input_shape：可選的形狀元組，預設為 (None, None, 3)。
- input_tensor：可選的 Keras 張量（即
layers.Input()的輸出），用作模型的圖像輸入。
範例
input_data = tf.ones(shape=(8, 224, 224, 3))
# Randomly initialized backbone
model = MobileNetV3SmallBackbone()
output = model(input_data)
MobileNetV3LargeBackbone 類別
keras_cv.models.MobileNetV3LargeBackbone(
stackwise_expansion,
stackwise_filters,
stackwise_kernel_size,
stackwise_stride,
stackwise_se_ratio,
stackwise_activation,
include_rescaling,
input_shape=(None, None, 3),
input_tensor=None,
alpha=1.0,
**kwargs
)
具有 28 層的 MobileNetV3Backbone 模型。
參考資料
對於遷移學習用例，請務必閱讀遷移學習和微調指南。
參數
- include_rescaling：布林值，是否重新縮放輸入。如果設定為 True，則輸入將通過
Rescaling(scale=1 / 255)層。預設值為 True。 - input_shape：可選的形狀元組，預設為 (None, None, 3)。
- input_tensor：可選的 Keras 張量（即
layers.Input()的輸出），用作模型的圖像輸入。
範例
input_data = tf.ones(shape=(8, 224, 224, 3))
# Randomly initialized backbone
model = MobileNetV3LargeBackbone()
output = model(input_data)