ResNetBackbone 模型

[原始碼]

ResNetBackbone 類別

keras_hub.models.ResNetBackbone(
    input_conv_filters,
    input_conv_kernel_sizes,
    stackwise_num_filters,
    stackwise_num_blocks,
    stackwise_num_strides,
    block_type,
    use_pre_activation=False,
    image_shape=(None, None, 3),
    data_format=None,
    dtype=None,
    **kwargs
)

具有超參數的 ResNet 和 ResNetV2 核心網路。

此類別實作了 ResNet backbone，如 Deep Residual Learning for Image Recognition (CVPR 2016)、Identity Mappings in Deep Residual Networks (ECCV 2016)、ResNet strikes back: An improved training procedure in timm (NeurIPS 2021 Workshop) 和 Bag of Tricks for Image Classification with Convolutional Neural Networks 中所述。

ResNet 和 ResNetV2 的差異在於其個別建構區塊的結構。在 ResNetV2 中，批次正規化和 ReLU 激活在卷積層之前進行，而 ResNet 中，批次正規化和 ReLU 激活則在卷積層之後應用。

ResNetVd 對標準 ResNet 引入了兩個主要修改。首先，初始卷積層被一系列連續的三個卷積層取代。其次，捷徑連接使用額外的池化操作，而不是在卷積層本身內執行降採樣。

引數

• input_conv_filters：整數列表。初始卷積的濾波器數量。
• input_conv_kernel_sizes：整數列表。初始卷積的 Kernel 大小。
• stackwise_num_filters：整數列表。每個堆疊的濾波器數量。
• stackwise_num_blocks：整數列表。每個堆疊的區塊數量。
• stackwise_num_strides：整數列表。每個堆疊的步幅數量。
• block_type：字串。要堆疊的區塊類型。可以是 "basic_block"、"bottleneck_block"、"basic_block_vd" 或 "bottleneck_block_vd" 之一。ResNet18 和 ResNet34 使用 "basic_block"。ResNet50、ResNet101 和 ResNet152 以及各自的 ResNet_vd 變體使用 "_vd" 前綴的類型。
• use_pre_activation：布林值。是否使用預激活。ResNetV2 為 True，ResNet 為 False。
• image_shape：元組。不含批次大小的輸入形狀。預設為 (None, None, 3)。
• data_format：None 或字串。如果指定，則為 "channels_last" 或 "channels_first"。輸入中維度的順序。"channels_last" 對應於形狀為 (batch_size, height, width, channels) 的輸入，而 "channels_first" 對應於形狀為 (batch_size, channels, height, width) 的輸入。它預設為在您的 Keras 設定檔 ~/.keras/keras.json 中找到的 image_data_format 值。如果您從未設定它，則它將為 "channels_last"。
• dtype：None 或字串或 keras.mixed_precision.DTypePolicy。用於模型計算和權重的 dtype。

範例

input_data = np.random.uniform(0, 1, size=(2, 224, 224, 3))

# Pretrained ResNet backbone.
model = keras_hub.models.ResNetBackbone.from_preset("resnet_50_imagenet")
model(input_data)

# Randomly initialized ResNetV2 backbone with a custom config.
model = keras_hub.models.ResNetBackbone(
    input_conv_filters=[64],
    input_conv_kernel_sizes=[7],
    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,
)
model(input_data)

[原始碼]

from_preset 方法

ResNetBackbone.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 可以作為以下其中之一傳遞

1. 內建預設識別符，例如 'bert_base_en'
2. Kaggle Models 句柄，例如 'kaggle://user/bert/keras/bert_base_en'
3. Hugging Face 句柄，例如 'hf://user/bert_base_en'
4. 本地預設目錄的路徑，例如 './bert_base_en'

此建構子可以透過兩種方式之一呼叫。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() 以列出類別上所有可用的內建預設。

引數

• preset：字串。內建預設識別符、Kaggle Models 句柄、Hugging Face 句柄或本地目錄的路徑。
• 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,
)