DensNetBackbone 模型
DenseNetBackbone 類別
keras_hub.models.DenseNetBackbone(
stackwise_num_repeats,
image_shape=(None, None, 3),
compression_ratio=0.5,
growth_rate=32,
**kwargs
)
實例化 DenseNet 架構。
此類別實作了 密集連接卷積網路 (CVPR 2017) 中描述的 DenseNet 主幹網路。
引數
- stackwise_num_repeats：整數列表，每個密集區塊重複卷積區塊的次數。
- image_shape：選用形狀元組，預設為 (None, None, 3)。
- compression_ratio：浮點數，過渡層的壓縮率，預設為 0.5。
- growth_rate：整數，每個密集區塊增加的濾波器數量，預設為 32
範例
input_data = np.ones(shape=(8, 224, 224, 3))
# Pretrained backbone
model = keras_hub.models.DenseNetBackbone.from_preset(
"densenet_121_imagenet"
)
model(input_data)
# Randomly initialized backbone with a custom config
model = keras_hub.models.DenseNetBackbone(
stackwise_num_repeats=[6, 12, 24, 16],
)
model(input_data)
from_preset 方法
DenseNetBackbone.from_preset(preset, load_weights=True, **kwargs)
從模型預設實例化 keras_hub.models.Backbone。
預設是一個配置、權重和其他檔案資產的目錄，用於儲存和載入預訓練模型。preset 可以作為以下其中一種傳遞
- 內建預設識別符，例如
'bert_base_en' - Kaggle Models 控制代碼，例如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 控制代碼，例如
'hf://user/bert_base_en' - 本機預設目錄的路徑，例如
'./bert_base_en'
此建構子可以透過兩種方式之一呼叫。可以從基底類別呼叫，例如 keras_hub.models.Backbone.from_preset()，或從模型類別呼叫，例如 keras_hub.models.GemmaBackbone.from_preset()。如果從基底類別呼叫，則傳回物件的子類別將從預設目錄中的配置推斷出來。
對於任何 Backbone 子類別，您可以執行 cls.presets.keys() 以列出類別上可用的所有內建預設。
引數
- preset：字串。內建預設識別符、Kaggle Models 控制代碼、Hugging Face 控制代碼或本機目錄的路徑。
- load_weights：布林值。如果為
True，權重將載入到模型架構中。如果為False，權重將隨機初始化。
範例
# Load a Gemma backbone with pre-trained weights.
model = keras_hub.models.Backbone.from_preset(
"gemma_2b_en",
)
# Load a Bert backbone with a pre-trained config and random weights.
model = keras_hub.models.Backbone.from_preset(
"bert_base_en",
load_weights=False,
)
| 預設 | 參數 | 描述 |
|---|---|---|
| densenet_121_imagenet | 7.04M | 在 ImageNet 1k 資料集上以 224x224 解析度預訓練的 121 層 DenseNet 模型。 |
| densenet_169_imagenet | 12.64M | 在 ImageNet 1k 資料集上以 224x224 解析度預訓練的 169 層 DenseNet 模型。 |
| densenet_201_imagenet | 18.32M | 在 ImageNet 1k 資料集上以 224x224 解析度預訓練的 201 層 DenseNet 模型。 |