DenseNet影像分類器預處理層
DenseNetImageClassifierPreprocessor 類別
keras_hub.models.DenseNetImageClassifierPreprocessor(image_converter=None, **kwargs)
影像分類預處理層的基礎類別。
ImageClassifierPreprocessor 任務包裝了一個 keras_hub.layers.ImageConverter，以建立用於影像分類任務的預處理層。它旨在與 keras_hub.models.ImageClassifier 任務配對使用。
所有 ImageClassifierPreprocessor 接受三個輸入：x、y 和 sample_weight。第一個輸入 x 應始終包含。它可以是影像或一批影像。請參閱以下範例。y 和 sample_weight 是可選輸入，將不經修改地傳遞。通常，y 將是分類標籤，而 sample_weight 將不提供。
該層將輸出 x，如果提供了標籤，則輸出 (x, y) 元組，如果提供了標籤和樣本權重，則輸出 (x, y, sample_weight) 元組。x 將是應用所有模型預處理後的輸入影像。
所有 ImageClassifierPreprocessor 任務都包含一個 from_preset() 建構子，可用於載入預訓練的設定和詞彙表。您可以直接在這個基礎類別上呼叫 from_preset() 建構子，在這種情況下，將自動實例化適用於您模型的正確類別。
範例。
preprocessor = keras_hub.models.ImageClassifierPreprocessor.from_preset(
"resnet_50",
)
# Resize a single image for resnet 50.
x = np.random.randint(0, 256, (512, 512, 3))
x = preprocessor(x)
# Resize a labeled image.
x, y = np.random.randint(0, 256, (512, 512, 3)), 1
x, y = preprocessor(x, y)
# Resize a batch of labeled images.
x, y = [
np.random.randint(0, 256, (512, 512, 3)),
np.zeros((512, 512, 3))
], [1, 0]
x, y = preprocessor(x, y)
# Use a [`tf.data.Dataset`](https://tensorflow.dev.org.tw/api_docs/python/tf/data/Dataset).
ds = tf.data.Dataset.from_tensor_slices((x, y)).batch(2)
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)
from_preset 方法
DenseNetImageClassifierPreprocessor.from_preset(
preset, config_file="preprocessor.json", **kwargs
)
從模型預設實例化一個 keras_hub.models.Preprocessor。
預設是一個目錄，其中包含用於儲存和載入預訓練模型的設定、權重和其他檔案資產。preset 可以作為以下其中一種方式傳遞：
- 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 Preprocessor 子類別，您可以執行 cls.presets.keys() 以列出該類別上所有可用的內建預設。
由於給定模型通常有多個預處理類別，因此應在特定的子類別（例如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()）上呼叫此方法。
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。
範例
# Load a preprocessor for Gemma generation.
preprocessor = keras_hub.models.CausalLMPreprocessor.from_preset(
"gemma_2b_en",
)
# Load a preprocessor for Bert classification.
preprocessor = keras_hub.models.TextClassifierPreprocessor.from_preset(
"bert_base_en",
)
| 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。 |
image_converter 屬性
keras_hub.models.DenseNetImageClassifierPreprocessor.image_converter
用於預處理影像資料的影像轉換器。