DenseNetImageClassifierPreprocessor 层
DenseNetImageClassifierPreprocessor 类
keras_hub.models.DenseNetImageClassifierPreprocessor(image_converter=None, **kwargs)
图像分类预处理层的基类。
ImageClassifierPreprocessor 任务封装了一个 keras_hub.layers.ImageConverter，以创建一个用于图像分类任务的预处理层。它旨在与 keras_hub.models.ImageClassifier 任务配对。
所有 ImageClassifierPreprocessor 都接受三个输入：x、y 和 sample_weight。第一个输入 x 必须始终包含。它可以是图像或图像批次。请参见下面的示例。y 和 sample_weight 是可选输入，将原样传递。通常，y 将是分类标签，而 sample_weight 不会提供。
该层将输出 x、如果提供了标签则输出 (x, y) 元组，或者如果提供了标签和样本权重则输出 (x, y, sample_weight) 元组。x 将是在应用所有模型预处理后输入图像。
所有 ImageClassifierPreprocessor 任务都包含一个 from_preset() 构造函数，可用于加载预训练的配置和词汇表。您可以直接在此基类上调用 from_preset() 构造函数，在这种情况下，将自动实例化模型的正确类。
示例。
preprocessor = keras_hub.models.ImageClassifierPreprocessor.from_preset(
"resnet_50",
)
# Resize a single image for resnet 50.
x = np.random.randint(0, 256, (512, 512, 3))
x = preprocessor(x)
# Resize a labeled image.
x, y = np.random.randint(0, 256, (512, 512, 3)), 1
x, y = preprocessor(x, y)
# Resize a batch of labeled images.
x, y = [np.random.randint(0, 256, (512, 512, 3)), np.zeros((512, 512, 3))], [1, 0]
x, y = preprocessor(x, y)
# Use a [`tf.data.Dataset`](https://tensorflowcn.cn/api_docs/python/tf/data/Dataset).
ds = tf.data.Dataset.from_tensor_slices((x, y)).batch(2)
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)
from_preset 方法
DenseNetImageClassifierPreprocessor.from_preset(
preset, config_file="preprocessor.json", **kwargs
)
从模型预设实例化一个 keras_hub.models.Preprocessor。
预设是用于保存和加载预训练模型的配置、权重和其他文件资产的目录。preset 可以作为以下之一传递：
- 内置预设标识符，例如
'bert_base_en' - Kaggle 模型句柄，例如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 句柄，例如
'hf://user/bert_base_en' - 本地预设目录的路径，例如
'./bert_base_en'
对于任何 Preprocessor 子类，您都可以运行 cls.presets.keys() 来列出该类上可用的所有内置预设。
由于给定模型通常有多个预处理类，因此应在特定子类（如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()）上调用此方法。
参数
- preset：字符串。内置预设标识符、Kaggle 模型句柄、Hugging Face 句柄或本地目录的路径。
示例
# Load a preprocessor for Gemma generation.
preprocessor = keras_hub.models.GemmaCausalLMPreprocessor.from_preset(
"gemma_2b_en",
)
# Load a preprocessor for Bert classification.
preprocessor = keras_hub.models.BertTextClassifierPreprocessor.from_preset(
"bert_base_en",
)
| 预设名称 | 参数 | 描述 |
|---|---|---|
| densenet_121_imagenet | 7.04M | 在 ImageNet 1k 数据集上以 224x224 分辨率预训练的 121 层 DenseNet 模型。 |
| densenet_169_imagenet | 12.64M | 在 ImageNet 1k 数据集上以 224x224 分辨率预训练的 169 层 DenseNet 模型。 |
| densenet_201_imagenet | 18.32M | 在 ImageNet 1k 数据集上以 224x224 分辨率预训练的 201 层 DenseNet 模型。 |
image_converter 属性
keras_hub.models.DenseNetImageClassifierPreprocessor.image_converter
用于预处理图像数据的图像转换器。