ResNetBackbone 模型

[源代码]

ResNetBackbone 类

keras_hub.models.ResNetBackbone(
    input_conv_filters,
    input_conv_kernel_sizes,
    stackwise_num_filters,
    stackwise_num_blocks,
    stackwise_num_strides,
    block_type,
    use_pre_activation=False,
    image_shape=(None, None, 3),
    data_format=None,
    dtype=None,
    **kwargs
)

具有超参数的 ResNet 和 ResNetV2 核心网络。

此类实现 ResNet 主干网络，如 用于图像识别的深度残差学习（CVPR 2016）、深度残差网络中的恒等映射（ECCV 2016）、ResNet 卷土重来：timm 中改进的训练过程（NeurIPS 2021 研讨会）和 使用卷积神经网络进行图像分类的技巧集锦 中所述。

ResNet 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，而 ResNet 则在卷积层之后应用批归一化和 ReLU 激活。

ResNetVd 对标准 ResNet 引入了两个关键修改。首先，初始卷积层被一系列三个连续的卷积层替换。其次，快捷连接使用额外的池化操作，而不是在卷积层本身内执行下采样。

参数

• input_conv_filters：整数列表。初始卷积层的滤波器数量。
• input_conv_kernel_sizes：整数列表。初始卷积层的内核大小。
• stackwise_num_filters：整数列表。每个堆栈的滤波器数量。
• stackwise_num_blocks：整数列表。每个堆栈的块数量。
• stackwise_num_strides：整数列表。每个堆栈的步幅数量。
• block_type：字符串。要堆叠的块类型。可以是 "basic_block"、"bottleneck_block"、"basic_block_vd" 或 "bottleneck_block_vd"。对于 ResNet18 和 ResNet34，使用 "basic_block"。对于 ResNet50、ResNet101 和 ResNet152，使用 "bottleneck_block"，以及相应 ResNet_vd 变体的 "_vd" 前缀。
• use_pre_activation：布尔值。是否使用预激活。ResNetV2 为 True，ResNet 为 False。
• image_shape：元组。输入形状，不包括批次大小。默认为 (None, None, 3)。
• data_format：None 或字符串。如果指定，则为 "channels_last" 或 "channels_first"。输入中维度的顺序。"channels_last" 对应于形状为 (batch_size, height, width, channels) 的输入，而 "channels_first" 对应于形状为 (batch_size, channels, height, width) 的输入。它默认为在 Keras 配置文件 ~/.keras/keras.json 中找到的 image_data_format 值。如果您从未设置它，则它将为 "channels_last"。
• dtype：None 或字符串或 keras.mixed_precision.DTypePolicy。模型计算和权重使用的 dtype。

示例

input_data = np.random.uniform(0, 1, size=(2, 224, 224, 3))

# Pretrained ResNet backbone.
model = keras_hub.models.ResNetBackbone.from_preset("resnet50")
model(input_data)

# Randomly initialized ResNetV2 backbone with a custom config.
model = keras_hub.models.ResNetBackbone(
    input_conv_filters=[64],
    input_conv_kernel_sizes=[7],
    stackwise_num_filters=[64, 64, 64],
    stackwise_num_blocks=[2, 2, 2],
    stackwise_num_strides=[1, 2, 2],
    block_type="basic_block",
    use_pre_activation=True,
    pooling="avg",
)
model(input_data)

[源代码]

from_preset 方法

ResNetBackbone.from_preset(preset, load_weights=True, **kwargs)

从模型预设实例化 keras_hub.models.Backbone。

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，如 'bert_base_en'
2. Kaggle Models 句柄，如 'kaggle://user/bert/keras/bert_base_en'
3. Hugging Face 句柄，如 'hf://user/bert_base_en'
4. 本地预设目录的路径，如 './bert_base_en'

此构造函数可以通过两种方式之一调用。从基类调用，如 keras_hub.models.Backbone.from_preset()，或从模型类调用，如 keras_hub.models.GemmaBackbone.from_preset()。如果从基类调用，则返回对象的子类将从预设目录中的配置推断得出。

对于任何 Backbone 子类，您可以运行 cls.presets.keys() 来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 Models 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，则权重将随机初始化。

示例

# Load a Gemma backbone with pre-trained weights.
model = keras_hub.models.Backbone.from_preset(
    "gemma_2b_en",
)

# Load a Bert backbone with a pre-trained config and random weights.
model = keras_hub.models.Backbone.from_preset(
    "bert_base_en",
    load_weights=False,
)

token_embedding 属性

keras_hub.models.ResNetBackbone.token_embedding

用于嵌入标记 ID 的 keras.layers.Embedding 实例。

此层将整数标记 ID 嵌入到模型的隐藏维度中。