► Keras 3 API 文档 / KerasCV / 模型 / 主干网络 / ResNetV1 主干网络

ResNetV1 主干网络

`ResNetBackbone` 类

keras_cv.models.ResNetBackbone(
    stackwise_filters,
    stackwise_blocks,
    stackwise_strides,
    include_rescaling,
    input_shape=(None, None, 3),
    input_tensor=None,
    block_type="block",
    **kwargs
)

实例化 ResNet 架构。

参考

用于图像识别的深度残差学习

ResNetV1 和 ResNetV2 的区别在于其各个构建块的结构。在 ResNetV2 中，批归一化和 ReLU 激活在卷积层之前应用，而 ResNetV1 则在卷积层之后应用批归一化和 ReLU 激活。

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_filters: 整数列表，模型中每个堆栈的过滤器数量。
stackwise_blocks: 整数列表，模型中每个堆栈的块数。
stackwise_strides: 整数列表，模型中每个堆栈的步幅。
include_rescaling: 布尔值，是否对输入进行缩放。如果设置为 True，则输入将通过 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。
block_type: 字符串，"basic_block" 或 "block" 之一。要堆叠的块类型。对于 ResNet18 和 ResNet34，使用 "basic_block"。

示例

input_data = tf.ones(shape=(8, 224, 224, 3))

# Pretrained backbone
model = keras_cv.models.ResNetBackbone.from_preset("resnet50_imagenet")
output = model(input_data)

# Randomly initialized backbone with a custom config
model = ResNetBackbone(
    stackwise_filters=[64, 128, 256, 512],
    stackwise_blocks=[2, 2, 2, 2],
    stackwise_strides=[1, 2, 2, 2],
    include_rescaling=False,
)
output = model(input_data)

[源代码]

`from_preset` 方法

ResNetBackbone.from_preset()

从预设配置和权重实例化 ResNetBackbone 模型。

参数

preset: 字符串。必须是 "resnet18"、"resnet34"、"resnet50"、"resnet101"、"resnet152"、"resnet50_imagenet" 之一。如果要查找具有预训练权重的预设，请选择 "resnet50_imagenet" 之一。
load_weights: 是否将预训练权重加载到模型中。默认为 None，它遵循预设是否有可用的预训练权重。

示例

# Load architecture and weights from preset
model = keras_cv.models.ResNetBackbone.from_preset(
    "resnet50_imagenet",
)

# Load randomly initialized model from preset architecture with weights
model = keras_cv.models.ResNetBackbone.from_preset(
    "resnet50_imagenet",
    load_weights=False,

预设名称	参数	描述
resnet18	11.19M	具有 18 层的 ResNet 模型，其中批归一化和 ReLU 激活在卷积层之后应用（v1 样式）。
resnet34	21.30M	具有 34 层的 ResNet 模型，其中批归一化和 ReLU 激活在卷积层之后应用（v1 样式）。
resnet50	23.56M	具有 50 层的 ResNet 模型，其中批归一化和 ReLU 激活在卷积层之后应用（v1 样式）。
resnet101	42.61M	具有 101 层的 ResNet 模型，其中批归一化和 ReLU 激活在卷积层之后应用（v1 样式）。
resnet152	58.30M	具有 152 层的 ResNet 模型，其中批归一化和 ReLU 激活在卷积层之后应用（v1 样式）。
resnet50_imagenet	23.56M	具有 50 层的 ResNet 模型，其中批归一化和 ReLU 激活在卷积层之后应用（v1 样式）。在 Imagenet 2012 分类任务上训练。

[源代码]

`ResNet18Backbone` 类

keras_cv.models.ResNet18Backbone(
    stackwise_filters,
    stackwise_blocks,
    stackwise_strides,
    include_rescaling,
    input_shape=(None, None, 3),
    input_tensor=None,
    block_type="block",
    **kwargs
)

具有 18 层的 ResNetBackbone（V1）模型。

参考

用于图像识别的深度残差学习

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，是否对输入进行缩放。如果设置为 True，则输入将通过 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 = ResNet18Backbone()
output = model(input_data)

[源代码]

`ResNet34Backbone` 类

keras_cv.models.ResNet34Backbone(
    stackwise_filters,
    stackwise_blocks,
    stackwise_strides,
    include_rescaling,
    input_shape=(None, None, 3),
    input_tensor=None,
    block_type="block",
    **kwargs
)

具有 34 层的 ResNetBackbone（V1）模型。

参考

用于图像识别的深度残差学习

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，是否对输入进行缩放。如果设置为 True，则输入将通过 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 = ResNet34Backbone()
output = model(input_data)

[源代码]

`ResNet50Backbone` 类

keras_cv.models.ResNet50Backbone(
    stackwise_filters,
    stackwise_blocks,
    stackwise_strides,
    include_rescaling,
    input_shape=(None, None, 3),
    input_tensor=None,
    block_type="block",
    **kwargs
)

具有 50 层的 ResNetBackbone（V1）模型。

参考

用于图像识别的深度残差学习

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，是否对输入进行缩放。如果设置为 True，则输入将通过 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 = ResNet50Backbone()
output = model(input_data)

[源代码]

`ResNet101Backbone` 类

keras_cv.models.ResNet101Backbone(
    stackwise_filters,
    stackwise_blocks,
    stackwise_strides,
    include_rescaling,
    input_shape=(None, None, 3),
    input_tensor=None,
    block_type="block",
    **kwargs
)

具有 101 层的 ResNetBackbone（V1）模型。

参考

用于图像识别的深度残差学习

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，是否对输入进行缩放。如果设置为 True，则输入将通过 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 = ResNet101Backbone()
output = model(input_data)

[源代码]

`ResNet152Backbone` 类

keras_cv.models.ResNet152Backbone(
    stackwise_filters,
    stackwise_blocks,
    stackwise_strides,
    include_rescaling,
    input_shape=(None, None, 3),
    input_tensor=None,
    block_type="block",
    **kwargs
)

具有 152 层的 ResNetBackbone（V1）模型。

参考

用于图像识别的深度残差学习

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，是否对输入进行缩放。如果设置为 True，则输入将通过 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 = ResNet152Backbone()
output = model(input_data)

ResNetV1 主干网络

ResNetBackbone 类

from_preset 方法

ResNet18Backbone 类

ResNet34Backbone 类

ResNet50Backbone 类

ResNet101Backbone 类

ResNet152Backbone 类

ResNetV1 主干网络

ResNetBackbone 类

from_preset 方法

ResNet18Backbone 类

ResNet34Backbone 类

ResNet50Backbone 类

ResNet101Backbone 类

ResNet152Backbone 类

`ResNetBackbone` 类

`from_preset` 方法

`ResNet18Backbone` 类

`ResNet34Backbone` 类

`ResNet50Backbone` 类

`ResNet101Backbone` 类

`ResNet152Backbone` 类