DenseNetImageClassifier 模型
DenseNetImageClassifier 類別
keras_hub.models.DenseNetImageClassifier(
backbone,
num_classes,
preprocessor=None,
pooling="avg",
activation=None,
dropout=0.0,
head_dtype=None,
**kwargs
)
所有影像分類任務的基礎類別。
ImageClassifier 任務封裝了 keras_hub.models.Backbone 和 keras_hub.models.Preprocessor，以建立可用於影像分類的模型。ImageClassifier 任務接受額外的 num_classes 引數，控制預測輸出類別的數量。
若要使用 fit() 進行微調，請傳遞包含 (x, y) 標籤元組的資料集，其中 x 是字串，而 y 是來自 [0, num_classes) 的整數。所有 ImageClassifier 任務都包含 from_preset() 建構子，可用於載入預訓練的設定檔和權重。
引數
- backbone：
keras_hub.models.Backbone實例或keras.Model。 - num_classes：整數。要預測的類別數量。
- preprocessor：
None、keras_hub.models.Preprocessor實例、keras.Layer實例或可呼叫物件。如果為None，則不會對輸入套用任何預處理。 - pooling：
"avg"或"max"。要對 backbone 輸出套用的池化類型。預設為平均池化。 - activation：
None、字串或可呼叫物件。要在Dense層上使用的啟動函數。設定activation=None以傳回輸出 logits。預設為"softmax"。 - head_dtype：
None、字串或keras.mixed_precision.DTypePolicy。用於分類 head 的計算和權重的 dtype。
範例
呼叫 predict() 以執行推論。
# Load preset and train
images = np.random.randint(0, 256, size=(2, 224, 224, 3))
classifier = keras_hub.models.ImageClassifier.from_preset(
"resnet_50_imagenet"
)
classifier.predict(images)
在單一批次上呼叫 fit()。
# Load preset and train
images = np.random.randint(0, 256, size=(2, 224, 224, 3))
labels = [0, 3]
classifier = keras_hub.models.ImageClassifier.from_preset(
"resnet_50_imagenet"
)
classifier.fit(x=images, y=labels, batch_size=2)
使用自訂損失函數、最佳化器和 backbone 呼叫 fit()。
classifier = keras_hub.models.ImageClassifier.from_preset(
"resnet_50_imagenet"
)
classifier.compile(
loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True),
optimizer=keras.optimizers.Adam(5e-5),
)
classifier.backbone.trainable = False
classifier.fit(x=images, y=labels, batch_size=2)
自訂 backbone。
images = np.random.randint(0, 256, size=(2, 224, 224, 3))
labels = [0, 3]
backbone = keras_hub.models.ResNetBackbone(
stackwise_num_filters=[64, 64, 64],
stackwise_num_blocks=[2, 2, 2],
stackwise_num_strides=[1, 2, 2],
block_type="basic_block",
use_pre_activation=True,
pooling="avg",
)
classifier = keras_hub.models.ImageClassifier(
backbone=backbone,
num_classes=4,
)
classifier.fit(x=images, y=labels, batch_size=2)
from_preset 方法
DenseNetImageClassifier.from_preset(preset, load_weights=True, **kwargs)
從模型預設實例化 keras_hub.models.Task。
預設是設定檔、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 可以作為以下其中之一傳遞
- 內建預設識別符，例如
'bert_base_en' - Kaggle Models 句柄，例如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 句柄，例如
'hf://user/bert_base_en' - 本機預設目錄的路徑，例如
'./bert_base_en'
對於任何 Task 子類別，您可以執行 cls.presets.keys() 以列出類別上所有可用的內建預設。
此建構子可以透過兩種方式之一呼叫。可以從任務特定的基礎類別呼叫，例如 keras_hub.models.CausalLM.from_preset()，也可以從模型類別呼叫，例如 keras_hub.models.BertTextClassifier.from_preset()。如果從基礎類別呼叫，則傳回物件的子類別將從預設目錄中的設定檔推斷。
引數
- preset：字串。內建預設識別符、Kaggle Models 句柄、Hugging Face 句柄或本機目錄的路徑。
- load_weights：布林值。如果為
True，則儲存的權重將載入到模型架構中。如果為False，則所有權重將隨機初始化。
範例
# Load a Gemma generative task.
causal_lm = keras_hub.models.CausalLM.from_preset(
"gemma_2b_en",
)
# Load a Bert classification task.
model = keras_hub.models.TextClassifier.from_preset(
"bert_base_en",
num_classes=2,
)
| 預設 | 參數 | 描述 |
|---|---|---|
| densenet_121_imagenet | 7.04M | 121 層 DenseNet 模型，在 ImageNet 1k 資料集上以 224x224 解析度進行預訓練。 |
| densenet_169_imagenet | 12.64M | 169 層 DenseNet 模型，在 ImageNet 1k 資料集上以 224x224 解析度進行預訓練。 |
| densenet_201_imagenet | 18.32M | 201 層 DenseNet 模型，在 ImageNet 1k 資料集上以 224x224 解析度進行預訓練。 |
backbone 屬性
keras_hub.models.DenseNetImageClassifier.backbone
具有核心架構的 keras_hub.models.Backbone 模型。
preprocessor 屬性
keras_hub.models.DenseNetImageClassifier.preprocessor
用於預處理輸入的 keras_hub.models.Preprocessor 層。