MobileNetV3 骨干网络
MobileNetV3Backbone 类
keras_cv.models.MobileNetV3Backbone(
stackwise_expansion,
stackwise_filters,
stackwise_kernel_size,
stackwise_stride,
stackwise_se_ratio,
stackwise_activation,
include_rescaling,
input_shape=(None, None, 3),
input_tensor=None,
alpha=1.0,
**kwargs
)
实例化 MobileNetV3 架构。
参考文献
- Searching for MobileNetV3 (ICCV 2019) - 基于原始 keras.applications MobileNetv3
对于迁移学习用例，请务必阅读迁移学习和微调指南。
参数
- stackwise_expansion：整数或浮点数列表，模型中每个反向残差块的扩展比率。
- stackwise_filters：整数列表，模型中每个反向残差块的过滤器数量。
- stackwise_stride：整数列表，模型中每个反向残差块的步长。
- include_rescaling：布尔值，是否重新缩放输入。如果设置为 True，则输入将通过
Rescaling(scale=1 / 255)层。 - input_shape：可选的形状元组，默认为 (None, None, 3)。
- input_tensor：可选的 Keras 张量（即
layers.Input()的输出），用作模型的图像输入。 - alpha：浮点数，控制网络的宽度。这在 MobileNetV3 论文中称为深度乘数，但为了与 Keras 中的 MobileNetV1 保持一致，名称保持不变。
- 如果
alpha< 1.0，则按比例减少每一层的过滤器数量。 - 如果
alpha> 1.0，则按比例增加每一层的过滤器数量。 - 如果
alpha= 1，则使用论文中每一层默认的过滤器数量。
- 如果
示例
input_data = tf.ones(shape=(8, 224, 224, 3))
# Randomly initialized backbone with a custom config
model = MobileNetV3Backbone(
stackwise_expansion=[1, 72.0 / 16, 88.0 / 24, 4, 6, 6, 3, 3, 6, 6, 6],
stackwise_filters=[16, 24, 24, 40, 40, 40, 48, 48, 96, 96, 96],
stackwise_kernel_size=[3, 3, 3, 5, 5, 5, 5, 5, 5, 5, 5],
stackwise_stride=[2, 2, 1, 2, 1, 1, 1, 1, 2, 1, 1],
stackwise_se_ratio=[0.25, None, None, 0.25, 0.25, 0.25, 0.25, 0.25, 0.25, 0.25, 0.25],
stackwise_activation=["relu", "relu", "relu", "hard_swish", "hard_swish", "hard_swish", "hard_swish", "hard_swish", "hard_swish", "hard_swish", "hard_swish"],
include_rescaling=False,
)
output = model(input_data)
from_preset 方法
MobileNetV3Backbone.from_preset()
从预设配置和权重实例化 MobileNetV3Backbone 模型。
参数
- preset：字符串。必须是 "mobilenet_v3_small"、"mobilenet_v3_large"、"mobilenet_v3_large_imagenet"、"mobilenet_v3_small_imagenet" 之一。如果正在寻找具有预训练权重的预设，请选择 "mobilenet_v3_large_imagenet" 或 "mobilenet_v3_small_imagenet" 之一。
- load_weights：是否将预训练权重加载到模型中。默认为
None，这取决于预设是否有可用的预训练权重。
示例
# Load architecture and weights from preset
model = keras_cv.models.MobileNetV3Backbone.from_preset(
"mobilenet_v3_large_imagenet",
)
# Load randomly initialized model from preset architecture with weights
model = keras_cv.models.MobileNetV3Backbone.from_preset(
"mobilenet_v3_large_imagenet",
load_weights=False,
| 预设名称 | 参数 | 描述 |
|---|---|---|
| mobilenet_v3_small | 933.50K | 具有 14 层的 MobileNetV3 模型，其中批归一化和硬 Swish 激活应用于卷积层之后。 |
| mobilenet_v3_large | 2.99M | 具有 28 层的 MobileNetV3 模型，其中批归一化和硬 Swish 激活应用于卷积层之后。 |
| mobilenet_v3_large_imagenet | 2.99M | 具有 28 层的 MobileNetV3 模型，其中批归一化和硬 Swish 激活应用于卷积层之后。在 ImageNet 2012 分类任务上进行了预训练。 |
| mobilenet_v3_small_imagenet | 933.50K | 具有 14 层的 MobileNetV3 模型，其中批归一化和硬 Swish 激活应用于卷积层之后。在 ImageNet 2012 分类任务上进行了预训练。 |
MobileNetV3SmallBackbone 类
keras_cv.models.MobileNetV3SmallBackbone(
stackwise_expansion,
stackwise_filters,
stackwise_kernel_size,
stackwise_stride,
stackwise_se_ratio,
stackwise_activation,
include_rescaling,
input_shape=(None, None, 3),
input_tensor=None,
alpha=1.0,
**kwargs
)
具有 14 层的 MobileNetV3Backbone 模型。
参考文献
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：布尔值，是否重新缩放输入。如果设置为 True，则输入将通过
Rescaling(scale=1 / 255)层。默认为 True。 - input_shape：可选的形状元组，默认为 (None, None, 3)。
- input_tensor：可选的 Keras 张量（即
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 = MobileNetV3SmallBackbone()
output = model(input_data)
MobileNetV3LargeBackbone 类
keras_cv.models.MobileNetV3LargeBackbone(
stackwise_expansion,
stackwise_filters,
stackwise_kernel_size,
stackwise_stride,
stackwise_se_ratio,
stackwise_activation,
include_rescaling,
input_shape=(None, None, 3),
input_tensor=None,
alpha=1.0,
**kwargs
)
具有 28 层的 MobileNetV3Backbone 模型。
参考文献
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：布尔值，是否重新缩放输入。如果设置为 True，则输入将通过
Rescaling(scale=1 / 255)层。默认为 True。 - input_shape：可选的形状元组，默认为 (None, None, 3)。
- input_tensor：可选的 Keras 张量（即
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 = MobileNetV3LargeBackbone()
output = model(input_data)