ResNetImageClassifier 模型
ResNetImageClassifier 类
keras_hub.models.ResNetImageClassifier(
backbone,
num_classes,
preprocessor=None,
pooling="avg",
activation=None,
dropout=0.0,
head_dtype=None,
**kwargs
)
所有图像分类任务的基类。
ImageClassifier 任务包装一个 keras_hub.models.Backbone 和一个 keras_hub.models.Preprocessor 来创建一个可用于图像分类的模型。ImageClassifier 任务接受一个额外的 num_classes 参数，控制预测输出类的数量。
要使用 fit() 进行微调，请传递一个包含 (x, y) 标签元组的数据集，其中 x 是一个字符串，y 是一个介于 [0, num_classes) 之间的整数。所有 ImageClassifier 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权重。
参数
- backbone: 一个
keras_hub.models.Backbone实例或一个keras.Model。 - num_classes: int。要预测的类别数。
- preprocessor:
None、一个keras_hub.models.Preprocessor实例、一个keras.Layer实例或一个可调用对象。如果为None，则不会对输入进行任何预处理。 - pooling:
"avg"或"max"。要在主干输出上应用的池化类型。默认为平均池化。 - activation:
None、str 或可调用对象。要在Dense层上使用的激活函数。将activation=None设置为返回输出 logits。默认为"softmax"。 - head_dtype:
None、str 或keras.mixed_precision.DTypePolicy。用于分类头部计算和权重的 dtype。
示例
调用 predict() 来运行推理。
# Load preset and train
images = np.random.randint(0, 256, size=(2, 224, 224, 3))
classifier = keras_hub.models.ImageClassifier.from_preset(
"resnet_50_imagenet"
)
classifier.predict(images)
对单个批次调用 fit()。
# Load preset and train
images = np.random.randint(0, 256, size=(2, 224, 224, 3))
labels = [0, 3]
classifier = keras_hub.models.ImageClassifier.from_preset(
"resnet_50_imagenet"
)
classifier.fit(x=images, y=labels, batch_size=2)
使用自定义损失、优化器和主干调用 fit()。
classifier = keras_hub.models.ImageClassifier.from_preset(
"resnet_50_imagenet"
)
classifier.compile(
loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True),
optimizer=keras.optimizers.Adam(5e-5),
)
classifier.backbone.trainable = False
classifier.fit(x=images, y=labels, batch_size=2)
自定义主干。
images = np.random.randint(0, 256, size=(2, 224, 224, 3))
labels = [0, 3]
backbone = keras_hub.models.ResNetBackbone(
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",
)
classifier = keras_hub.models.ImageClassifier(
backbone=backbone,
num_classes=4,
)
classifier.fit(x=images, y=labels, batch_size=2)
from_preset 方法
ResNetImageClassifier.from_preset(preset, load_weights=True, **kwargs)
从模型预设实例化一个 keras_hub.models.Task。
预设是一个包含配置、权重和其他文件资产的目录，用于保存和加载预训练模型。preset 可以作为以下之一传递
- 一个内置预设标识符，例如
'bert_base_en' - 一个 Kaggle 模型句柄，例如
'kaggle://user/bert/keras/bert_base_en' - 一个 Hugging Face 句柄，例如
'hf://user/bert_base_en' - 一个指向本地预设目录的路径，例如
'./bert_base_en'
对于任何 Task 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。
此构造函数可以通过两种方式调用。要么从特定任务的基类调用，例如 keras_hub.models.CausalLM.from_preset()，要么从模型类调用，例如 keras_hub.models.BertTextClassifier.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出来。
参数
- preset: string。一个内置预设标识符、一个 Kaggle 模型句柄、一个 Hugging Face 句柄或指向本地目录的路径。
- load_weights: bool。如果为
True，则保存的权重将加载到模型架构中。如果为False，则所有权重都将随机初始化。
示例
# Load a Gemma generative task.
causal_lm = keras_hub.models.CausalLM.from_preset(
"gemma_2b_en",
)
# Load a Bert classification task.
model = keras_hub.models.TextClassifier.from_preset(
"bert_base_en",
num_classes=2,
)
| 预设名称 | 参数 | 描述 |
|---|---|---|
| resnet_18_imagenet | 11.19M | 在 ImageNet 1k 数据集上以 224x224 分辨率预训练的 18 层 ResNet 模型。 |
| resnet_50_imagenet | 23.56M | 在 ImageNet 1k 数据集上以 224x224 分辨率预训练的 50 层 ResNet 模型。 |
| resnet_101_imagenet | 42.61M | 在 ImageNet 1k 数据集上以 224x224 分辨率预训练的 101 层 ResNet 模型。 |
| resnet_152_imagenet | 58.30M | 在 ImageNet 1k 数据集上以 224x224 分辨率预训练的 152 层 ResNet 模型。 |
| resnet_v2_50_imagenet | 23.56M | 在 ImageNet 1k 数据集上以 224x224 分辨率预训练的 50 层 ResNetV2 模型。 |
| resnet_v2_101_imagenet | 42.61M | 在 ImageNet 1k 数据集上以 224x224 分辨率预训练的 101 层 ResNetV2 模型。 |
backbone 属性
keras_hub.models.ResNetImageClassifier.backbone
一个具有核心架构的 keras_hub.models.Backbone 模型。
preprocessor 属性
keras_hub.models.ResNetImageClassifier.preprocessor
一个用于预处理输入的 keras_hub.models.Preprocessor 层。