DenseNet 主干网络
DenseNetBackbone 类
keras_cv.models.DenseNetBackbone(
stackwise_num_repeats,
include_rescaling,
input_shape=(None, None, 3),
input_tensor=None,
compression_ratio=0.5,
growth_rate=32,
**kwargs
)
实例化 DenseNet 架构。
参数
- stackwise_num_repeats: int 列表，每个密集块中重复的卷积块的数量。
- include_rescaling: bool，是否对输入进行重新缩放。如果设置为
True，输入将通过Rescaling(1/255.0)层。 - input_shape: 可选的形状元组，默认为 (None, None, 3)。
- input_tensor: 可选的 Keras 张量（例如，
keras.layers.Input()的输出），用作模型的图像输入。 - compression_ratio: float，过渡层处的压缩率。
- growth_rate: int，每个密集块添加的滤波器数量。
示例
input_data = tf.ones(shape=(8, 224, 224, 3))
# Pretrained backbone
model = keras_cv.models.DenseNetBackbone.from_preset("densenet121_imagenet")
output = model(input_data)
# Randomly initialized backbone with a custom config
model = DenseNetBackbone(
stackwise_num_repeats=[6, 12, 24, 16],
include_rescaling=False,
)
output = model(input_data)
from_preset 方法
DenseNetBackbone.from_preset()
从预设配置和权重实例化 DenseNetBackbone 模型。
参数
- preset: 字符串。必须是 "densenet121"、"densenet169"、"densenet201"、"densenet121_imagenet"、"densenet169_imagenet"、"densenet201_imagenet" 之一。如果要查找具有预训练权重的预设，请选择 "densenet121_imagenet"、"densenet169_imagenet"、"densenet201_imagenet" 之一。
- load_weights: 是否将预训练权重加载到模型中。默认为
None，它遵循预设是否具有可用的预训练权重。
示例
# Load architecture and weights from preset
model = keras_cv.models.DenseNetBackbone.from_preset(
"densenet121_imagenet",
)
# Load randomly initialized model from preset architecture with weights
model = keras_cv.models.DenseNetBackbone.from_preset(
"densenet121_imagenet",
load_weights=False,
| 预设名称 | 参数 | 描述 |
|---|---|---|
| densenet121 | 未知 | 具有 121 层的 DenseNet 模型。 |
| densenet169 | 未知 | 具有 169 层的 DenseNet 模型。 |
| densenet201 | 未知 | 具有 201 层的 DenseNet 模型。 |
| densenet121_imagenet | 未知 | 具有 121 层的 DenseNet 模型。在 Imagenet 2012 分类任务上训练。 |
| densenet169_imagenet | 未知 | 具有 169 层的 DenseNet 模型。在 Imagenet 2012 分类任务上训练。 |
| densenet201_imagenet | 未知 | 具有 201 层的 DenseNet 模型。在 Imagenet 2012 分类任务上训练。 |
DenseNet121Backbone 类
keras_cv.models.DenseNet121Backbone(
stackwise_num_repeats,
include_rescaling,
input_shape=(None, None, 3),
input_tensor=None,
compression_ratio=0.5,
growth_rate=32,
**kwargs
)
具有 121 层的 DenseNetBackbone 模型。
参考
对于迁移学习用例，请务必阅读 迁移学习和微调指南。
参数
- include_rescaling: bool，是否对输入进行重新缩放。如果设置为
True，输入将通过Rescaling(1/255.0)层。 - input_shape: 可选的形状元组，默认为 (None, None, 3)。
- input_tensor: 可选的 Keras 张量（例如，
layers.Input()的输出），用作模型的图像输入。
示例
input_data = tf.ones(shape=(8, 224, 224, 3))
# Randomly initialized backbone
model = DenseNet121Backbone()
output = model(input_data)
DenseNet169Backbone 类
keras_cv.models.DenseNet169Backbone(
stackwise_num_repeats,
include_rescaling,
input_shape=(None, None, 3),
input_tensor=None,
compression_ratio=0.5,
growth_rate=32,
**kwargs
)
具有 169 层的 DenseNetBackbone 模型。
参考
对于迁移学习用例，请务必阅读 迁移学习和微调指南。
参数
- include_rescaling: bool，是否对输入进行重新缩放。如果设置为
True，输入将通过Rescaling(1/255.0)层。 - input_shape: 可选的形状元组，默认为 (None, None, 3)。
- input_tensor: 可选的 Keras 张量（例如，
layers.Input()的输出），用作模型的图像输入。
示例
input_data = tf.ones(shape=(8, 224, 224, 3))
# Randomly initialized backbone
model = DenseNet169Backbone()
output = model(input_data)
DenseNet201Backbone 类
keras_cv.models.DenseNet201Backbone(
stackwise_num_repeats,
include_rescaling,
input_shape=(None, None, 3),
input_tensor=None,
compression_ratio=0.5,
growth_rate=32,
**kwargs
)
具有 201 层的 DenseNetBackbone 模型。
参考
对于迁移学习用例，请务必阅读 迁移学习和微调指南。
参数
- include_rescaling: bool，是否对输入进行重新缩放。如果设置为
True，输入将通过Rescaling(1/255.0)层。 - input_shape: 可选的形状元组，默认为 (None, None, 3)。
- input_tensor: 可选的 Keras 张量（例如，
layers.Input()的输出），用作模型的图像输入。
示例
input_data = tf.ones(shape=(8, 224, 224, 3))
# Randomly initialized backbone
model = DenseNet201Backbone()
output = model(input_data)