DenseNetImageConverter

[来源]

DenseNetImageConverter 类

keras_hub.layers.DenseNetImageConverter(
    image_size=None,
    scale=None,
    offset=None,
    crop_to_aspect_ratio=True,
    interpolation="bilinear",
    data_format=None,
    **kwargs
)

将原始图像预处理为模型就绪的输入。

此类将原始图像转换为模型就绪的输入。此转换按以下步骤进行

1. 使用 image_size 调整图像大小。如果 image_size 为 None，则跳过此步骤。
2. 通过乘以 scale 对图像进行重新缩放，scale 可以是全局的或按通道的。如果 scale 为 None，则跳过此步骤。
3. 通过添加 offset 对图像进行偏移，offset 可以是全局的或按通道的。如果 offset 为 None，则跳过此步骤。

该层将以通道最后或通道最前的格式接收原始图像张量作为输入，并输出用于建模的预处理图像输入。此张量可以是批处理的（等级 4）或非批处理的（等级 3）。

此层可与 from_preset() 构造函数一起使用以加载一个层，该层将为特定的预训练模型重新缩放和调整图像大小。以这种方式使用该层允许编写在模型检查点之间切换时无需更新的预处理代码。

参数

• image_size: (int, int) 元组或 None。图像的输出大小，不包括通道轴。如果为 None，则不会调整输入大小。
• scale: 浮点数、浮点数元组或 None。要应用于输入的比例。如果 scale 是一个浮点数，则整个输入将乘以 scale。如果 scale 是一个元组，则假定它包含每个通道的比例值，每个通道的比例值乘以输入图像的每个通道。如果 scale 为 None，则不应用缩放。
• offset: 浮点数、浮点数元组或 None。要应用于输入的偏移量。如果 offset 是一个浮点数，则整个输入将与 offset 相加。如果 offset 是一个元组，则假定它包含每个通道的偏移量值，每个通道的偏移量值与输入图像的每个通道相加。如果 offset 为 None，则不应用缩放。
• crop_to_aspect_ratio: 如果为 True，则在不失真长宽比的情况下调整图像大小。当原始长宽比与目标长宽比不同时，输出图像将被裁剪，以便返回图像中与目标长宽比匹配的尽可能大的窗口（大小为 (height, width)）。默认情况下（crop_to_aspect_ratio=False），长宽比可能不会保留。
• interpolation: 字符串，插值方法。支持 "bilinear"、"nearest"、"bicubic"、"lanczos3"、"lanczos5"。默认为 "bilinear"。
• data_format: 字符串，"channels_last" 或 "channels_first" 之一。输入中维度的顺序。"channels_last" 对应于形状为 (batch, height, width, channels) 的输入，而 "channels_first" 对应于形状为 (batch, channels, height, width) 的输入。它默认为 Keras 配置文件中找到的 image_data_format 值，位于 ~/.keras/keras.json。如果您从未设置过它，那么它将是 "channels_last"。

示例

# Resize raw images and scale them to [0, 1].
converter = keras_hub.layers.ImageConverter(
    image_size=(128, 128),
    scale=1. / 255,
)
converter(np.random.randint(0, 256, size=(2, 512, 512, 3)))

# Resize images to the specific size needed for a PaliGemma preset.
converter = keras_hub.layers.ImageConverter.from_preset(
    "pali_gemma_3b_224"
)
converter(np.random.randint(0, 256, size=(2, 512, 512, 3)))

[来源]

from_preset 方法

DenseNetImageConverter.from_preset(preset, **kwargs)

从模型预设实例化一个 keras_hub.layers.ImageConverter。

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

1. 内置预设标识符，例如 'pali_gemma_3b_224'
2. Kaggle 模型句柄，例如 'kaggle://user/paligemma/keras/pali_gemma_3b_224'
3. Hugging Face 句柄，例如 'hf://user/pali_gemma_3b_224'
4. 本地预设目录的路径，例如 './pali_gemma_3b_224'

您可以运行 cls.presets.keys() 列出该类上可用的所有内置预设。

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。
• load_weights: 布尔值。如果为 True，则权重将加载到模型架构中。如果为 False，则权重将被随机初始化。

示例

batch = np.random.randint(0, 256, size=(2, 512, 512, 3))

# Resize images for `"pali_gemma_3b_224"`.
converter = keras_hub.layers.ImageConverter.from_preset(
    "pali_gemma_3b_224"
)
converter(batch) # # Output shape (2, 224, 224, 3)

# Resize images for `"pali_gemma_3b_448"` without cropping.
converter = keras_hub.layers.ImageConverter.from_preset(
    "pali_gemma_3b_448",
    crop_to_aspect_ratio=False,
)
converter(batch) # # Output shape (2, 448, 448, 3)