VGGBackbone 模型

[原始碼]

VGGBackbone 類別

keras_hub.models.VGGBackbone(
    stackwise_num_repeats, stackwise_num_filters, image_shape=(None, None, 3), **kwargs
)

此類別代表 VGG 模型的 Keras Backbone。

此類別實作 VGG backbone，如 用於大規模影像辨識的極深層卷積網路 (ICLR 2015) 中所述。

引數

• stackwise_num_repeats: 整數列表，每個 VGG 區塊中重複卷積區塊的數量。對於 VGG16，此為 [2, 2, 3, 3, 3]，對於 VGG19，此為 [2, 2, 4, 4, 4]。
• stackwise_num_filters: 整數列表，每個 VGG 區塊的卷積區塊的濾波器大小。對於 VGG16 和 VGG19，此皆為 [64, 128, 256, 512, 512]。
• image_shape: 元組，選用的形狀元組，預設為 (None, None, 3)。

範例

input_data = np.ones((2, 224, 224, 3), dtype="float32")

# Pretrained VGG backbone.
model = keras_hub.models.VGGBackbone.from_preset("vgg_16_imagenet")
model(input_data)

# Randomly initialized VGG backbone with a custom config.
model = keras_hub.models.VGGBackbone(
    stackwise_num_repeats = [2, 2, 3, 3, 3],
    stackwise_num_filters = [64, 128, 256, 512, 512],
    image_shape = (224, 224, 3),
)
model(input_data)

[原始碼]

from_preset 方法

VGGBackbone.from_preset(preset, load_weights=True, **kwargs)

從模型預設集實例化 keras_hub.models.Backbone。

預設集是配置、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：

1. 內建預設集識別碼，例如 'bert_base_en'
2. Kaggle Models 控制代碼，例如 'kaggle://user/bert/keras/bert_base_en'
3. Hugging Face 控制代碼，例如 'hf://user/bert_base_en'
4. 本機預設集目錄的路徑，例如 './bert_base_en'

此建構子可以用兩種方式之一呼叫。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集目錄中的配置推斷而來。

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集。

引數

• preset: 字串。內建預設集識別碼、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,
)