ResNetV2 主干网络
ResNetV2Backbone 类
keras_cv.models.ResNetV2Backbone(
stackwise_filters,
stackwise_blocks,
stackwise_strides,
include_rescaling,
stackwise_dilations=None,
input_shape=(None, None, 3),
input_tensor=None,
block_type="block",
**kwargs
)
实例化 ResNetV2 架构。
参考文献
- 深度残差网络中的恒等映射 (ECCV 2016)
Resnet 和 ResNetV2 的区别在于它们各自构建块的结构。在 ResNetV2 中，批标准化和 ReLU 激活在卷积层之前，而 ResNetV1 中的批标准化和 ReLU 激活则应用于卷积层之后。
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量。
- stackwise_strides：整数列表，模型中每个堆栈的步长。
- 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(1/255.0)层。 - stackwise_dilations：整数列表，模型中每个堆栈的扩张率。如果为
None（默认值），则不使用扩张率。 - 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。 - block_type：字符串，"basic_block" 或 "block" 之一。要堆叠的块类型。对于较小的模型（如 ResNet18 和 ResNet34），请使用 "basic_block"。
示例
input_data = tf.ones(shape=(8, 224, 224, 3))
# Pretrained backbone
model = keras_cv.models.ResNetV2Backbone.from_preset("resnet50_v2_imagenet")
output = model(input_data)
# Randomly initialized backbone with a custom config
model = ResNetV2Backbone(
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)
from_preset 方法
ResNetV2Backbone.from_preset()
从预设配置和权重实例化 ResNetV2Backbone 模型。
参数
- preset：字符串。必须是 "resnet18_v2"、"resnet34_v2"、"resnet50_v2"、"resnet101_v2"、"resnet152_v2"、"resnet50_v2_imagenet" 之一。如果正在寻找具有预训练权重的预设，请选择 "resnet50_v2_imagenet" 之一。
- load_weights：是否将预训练权重加载到模型中。默认为
None，遵循预设是否提供预训练权重。
示例
# Load architecture and weights from preset
model = keras_cv.models.ResNetV2Backbone.from_preset(
"resnet50_v2_imagenet",
)
# Load randomly initialized model from preset architecture with weights
model = keras_cv.models.ResNetV2Backbone.from_preset(
"resnet50_v2_imagenet",
load_weights=False,
| 预设名称 | 参数 | 描述 |
|---|---|---|
| resnet18_v2 | 11.18M | 具有 18 层的 ResNet 模型，其中批标准化和 ReLU 激活在卷积层之前（v2 样式）。 |
| resnet34_v2 | 21.30M | 具有 34 层的 ResNet 模型，其中批标准化和 ReLU 激活在卷积层之前（v2 样式）。 |
| resnet50_v2 | 23.56M | 具有 50 层的 ResNet 模型，其中批标准化和 ReLU 激活在卷积层之前（v2 样式）。 |
| resnet101_v2 | 42.63M | 具有 101 层的 ResNet 模型，其中批标准化和 ReLU 激活在卷积层之前（v2 样式）。 |
| resnet152_v2 | 58.33M | 具有 152 层的 ResNet 模型，其中批标准化和 ReLU 激活在卷积层之前（v2 样式）。 |
| resnet50_v2_imagenet | 23.56M | 具有 50 层的 ResNet 模型，其中批标准化和 ReLU 激活在卷积层之前（v2 样式）。在 ImageNet 2012 分类任务上训练。 |
ResNet18V2Backbone 类
keras_cv.models.ResNet18V2Backbone(
stackwise_filters,
stackwise_blocks,
stackwise_strides,
include_rescaling,
stackwise_dilations=None,
input_shape=(None, None, 3),
input_tensor=None,
block_type="block",
**kwargs
)
具有 18 层的 ResNetV2Backbone 模型。
参考文献
- 深度残差网络中的恒等映射 (ECCV 2016)
ResNet 和 ResNetV2 的区别在于它们各自构建块的结构。在 ResNetV2 中，批标准化和 ReLU 激活在卷积层之前，而 ResNetV1 中的批标准化和 ReLU 激活则应用于卷积层之后。
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(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（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 = ResNet18V2Backbone()
output = model(input_data)
ResNet34V2Backbone 类
keras_cv.models.ResNet34V2Backbone(
stackwise_filters,
stackwise_blocks,
stackwise_strides,
include_rescaling,
stackwise_dilations=None,
input_shape=(None, None, 3),
input_tensor=None,
block_type="block",
**kwargs
)
具有 34 层的 ResNetV2Backbone 模型。
参考文献
- 深度残差网络中的恒等映射 (ECCV 2016)
ResNet 和 ResNetV2 的区别在于它们各自构建块的结构。在 ResNetV2 中，批标准化和 ReLU 激活在卷积层之前，而 ResNetV1 中的批标准化和 ReLU 激活则应用于卷积层之后。
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(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（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 = ResNet34V2Backbone()
output = model(input_data)
ResNet50V2Backbone 类
keras_cv.models.ResNet50V2Backbone(
stackwise_filters,
stackwise_blocks,
stackwise_strides,
include_rescaling,
stackwise_dilations=None,
input_shape=(None, None, 3),
input_tensor=None,
block_type="block",
**kwargs
)
具有 50 层的 ResNetV2Backbone 模型。
参考文献
- 深度残差网络中的恒等映射 (ECCV 2016)
ResNet 和 ResNetV2 的区别在于它们各自构建块的结构。在 ResNetV2 中，批标准化和 ReLU 激活在卷积层之前，而 ResNetV1 中的批标准化和 ReLU 激活则应用于卷积层之后。
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(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（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 = ResNet50V2Backbone()
output = model(input_data)
ResNet101V2Backbone 类
keras_cv.models.ResNet101V2Backbone(
stackwise_filters,
stackwise_blocks,
stackwise_strides,
include_rescaling,
stackwise_dilations=None,
input_shape=(None, None, 3),
input_tensor=None,
block_type="block",
**kwargs
)
具有 101 层的 ResNetV2Backbone 模型。
参考文献
- 深度残差网络中的恒等映射 (ECCV 2016)
ResNet 和 ResNetV2 的区别在于它们各自构建块的结构。在 ResNetV2 中，批标准化和 ReLU 激活在卷积层之前，而 ResNetV1 中的批标准化和 ReLU 激活则应用于卷积层之后。
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(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（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 = ResNet101V2Backbone()
output = model(input_data)
ResNet152V2Backbone 类
keras_cv.models.ResNet152V2Backbone(
stackwise_filters,
stackwise_blocks,
stackwise_strides,
include_rescaling,
stackwise_dilations=None,
input_shape=(None, None, 3),
input_tensor=None,
block_type="block",
**kwargs
)
具有 152 层的 ResNetV2Backbone 模型。
参考文献
- 深度残差网络中的恒等映射 (ECCV 2016)
ResNet 和 ResNetV2 的区别在于它们各自构建块的结构。在 ResNetV2 中，批标准化和 ReLU 激活在卷积层之前，而 ResNetV1 中的批标准化和 ReLU 激活则应用于卷积层之后。
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(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（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 = ResNet152V2Backbone()
output = model(input_data)