ImageToImage

[源代码]

ImageToImage 类

keras_hub.models.ImageToImage()

用于图像到图像任务的基类。

ImageToImage 任务封装了一个 keras_hub.models.Backbone 和一个 keras_hub.models.Preprocessor，以创建一个可用于生成和生成式微调的模型。

ImageToImage 任务提供了一个额外的高级 generate() 函数，可用于通过令牌生成图像，其签名形式为 (图像, 字符串) 输入，图像输出。

所有 ImageToImage 任务都包含一个 from_preset() 构造函数，可用于加载预训练配置和权重。

示例

# Load a Stable Diffusion 3 backbone with pre-trained weights.
reference_image = np.ones((1024, 1024, 3), dtype="float32")
image_to_image = keras_hub.models.ImageToImage.from_preset(
    "stable_diffusion_3_medium",
)
image_to_image.generate(
    reference_image,
    "Astronaut in a jungle, cold color palette, muted colors, detailed, 8k",
)

# Load a Stable Diffusion 3 backbone at bfloat16 precision.
image_to_image = keras_hub.models.ImageToImage.from_preset(
    "stable_diffusion_3_medium",
    dtype="bfloat16",
)
image_to_image.generate(
    reference_image,
    "Astronaut in a jungle, cold color palette, muted colors, detailed, 8k",
)

[源代码]

from_preset 方法

ImageToImage.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 可以以下列方式之一传入：

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'

对于任何 Task 子类，您可以运行 cls.presets.keys() 来列出该类上所有可用的内置预设。

此构造函数可以通过以下两种方式之一调用。可以从特定于任务的基类（如 keras_hub.models.CausalLM.from_preset()）调用，也可以从模型类（如 keras_hub.models.BertTextClassifier.from_preset()）调用。如果从基类调用，返回对象的子类将从预设目录中的配置推断出来。

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，则会将保存的权重加载到模型架构中。如果为 False，则所有权重将随机初始化。

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,
)

[源代码]

compile 方法

ImageToImage.compile(optimizer="auto", loss="auto", metrics="auto", **kwargs)

配置 ImageToImage 任务以进行训练。

ImageToImage 任务扩展了 keras.Model.compile 的默认编译签名，提供了 optimizer、loss 和 metrics 的默认值。要覆盖这些默认值，请在编译期间向这些参数传递任何值。

参数

• optimizer："auto"、优化器名称或 keras.Optimizer 实例。默认为 "auto"，它使用给定模型和任务的默认优化器。有关可能的 optimizer 值，请参阅 keras.Model.compile 和 keras.optimizers。
• loss："auto"、损失名称或 keras.losses.Loss 实例。默认为 "auto"，此时将应用 keras.losses.MeanSquaredError 损失。有关可能的 loss 值，请参阅 keras.Model.compile 和 keras.losses。
• metrics："auto"，或模型在训练和测试期间评估的指标列表。默认为 "auto"，此时将应用 keras.metrics.MeanSquaredError 以跟踪模型在训练期间的损失。有关可能的 metrics 值，请参阅 keras.Model.compile 和 keras.metrics。
• **kwargs：有关 compile 方法支持的完整参数列表，请参阅 keras.Model.compile。

[源代码]

save_to_preset 方法

ImageToImage.save_to_preset(preset_dir)

将任务保存到预设目录。

参数

• preset_dir：本地模型预设目录的路径。

preprocessor 属性

keras_hub.models.ImageToImage.preprocessor

用于预处理输入的 keras_hub.models.Preprocessor 层。

backbone 属性

keras_hub.models.ImageToImage.backbone

具有核心架构的 keras_hub.models.Backbone 模型。

[源代码]

generate 方法

ImageToImage.generate(inputs, num_steps, strength, guidance_scale=None, seed=None)

基于提供的 inputs 生成图像。

通常，inputs 是一个包含 "images" 和 "prompts" 键的字典。"images" 是值范围在 [-1.0, 1.0] 之间的参考图像，将被调整大小到 self.backbone.height 和 self.backbone.width，然后由 VAE 编码器编码到潜在空间。"prompts" 是字符串，将由文本编码器进行分词和编码。

一些模型支持 "negative_prompts" 键，这有助于引导模型避免生成某些风格和元素。要启用此功能，请在输入字典中添加 "negative_prompts"。

如果 inputs 是一个 tf.data.Dataset，则输出将“按批次”生成并连接。否则，所有输入将按批次处理。

参数

• inputs：python 数据、张量数据或 tf.data.Dataset。格式必须是以下之一：
  • 包含 "images"、"prompts" 和/或 "negative_prompts" 键的字典。
  • 包含 "images"、"prompts" 和/或 "negative_prompts" 键的 tf.data.Dataset。
• num_steps：整数。要执行的扩散步数。
• strength：浮点数。表示参考 images 转换的程度。必须介于 0.0 和 1.0 之间。当 strength=1.0 时，images 基本上被忽略，添加的噪声最大，并且去噪过程运行完整的 num_steps 指定的迭代次数。
• guidance_scale：可选浮点数。定义在 Classifier-Free Diffusion Guidance 中的无分类器引导尺度。较高的尺度鼓励生成与提示更紧密相关的图像，但这通常会牺牲图像质量。请注意，某些模型不使用无分类器引导。
• seed：可选整数。用作随机种子。