图像修复

[源]

Inpaint 类

keras_hub.models.Inpaint()

图像到图像任务的基础类。

Inpaint 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。

Inpaint 任务提供了一个额外的高级 generate() 函数，可用于按标记生成图像，其输入为 (图像, 掩码, 字符串)，输出为图像。

所有 Inpaint 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。

示例

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

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

[源]

from_preset 方法

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

从模型预设中实例化一个 keras_hub.models.Task。

预设是一个包含用于保存和加载预训练模型的配置、权重及其他文件资产的目录。preset 可以是以下任意一种形式：

1. 内置预设标识符，例如 'bert_base_en'
2. Kaggle Models 句柄，例如 'kaggle://user/bert/keras/bert_base_en'
3. Hugging Face 句柄，例如 'hf://user/bert_base_en'
4. 本地预设目录的路径，例如 './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。

这个构造函数可以通过两种方式调用。一种是从任务特定的基础类（例如 keras_hub.models.CausalLM.from_preset()）调用，另一种是从模型类（例如 keras_hub.models.BertTextClassifier.from_preset()）调用。如果从基础类调用，返回对象的子类将从预设目录中的配置推断。

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，将把保存的权重加载到模型架构中。如果为 False，所有权重将被随机初始化。

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]

compile 方法

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

配置 Inpaint 任务进行训练。

Inpaint 任务扩展了 keras.Model.compile 的默认编译签名，并为 optimizer、loss 和 metrics 提供了默认值。要覆盖这些默认值，请在编译期间为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要评估的指标列表。默认为 "auto"，此时将应用 keras.metrics.MeanSquaredError 来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]

save_to_preset 方法

Inpaint.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.Inpaint.preprocessor

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

backbone 属性

keras_hub.models.Inpaint.backbone

具有核心架构的 keras_hub.models.Backbone 模型。

[源]

generate 方法

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

根据提供的 inputs 生成图像。

通常，inputs 是一个包含 "images"、"masks" 和 "prompts" 键的字典。"images" 是值范围在 [-1.0, 1.0] 的参考图像，它们将被缩放至 self.backbone.image_shape 的高度和宽度，然后由 VAE 编码器编码到潜在空间。"masks" 是布尔 dtype 的掩码图像，其中白色像素会被重新绘制，而黑色像素会被保留。"prompts" 是字符串，将由文本编码器进行标记化和编码。

一些模型支持 "negative_prompts" 键，这有助于引导模型避免生成某些样式和元素。要启用此功能，请将 "negative_prompts" 添加到输入字典中。

如果 inputs 是 tf.data.Dataset，则输出将“按批次”生成并连接。否则，所有输入都将作为批次处理。

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"、"masks"、"prompts" 和/或 "negative_prompts" 键的字典。
  • 包含 "images"、"masks"、"prompts" 和/或 "negative_prompts" 键的 tf.data.Dataset。
• num_steps: 整型。要执行的扩散步数。
• strength: 浮点型。指示参考 images 被转换的程度。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，并且去噪过程会运行 num_steps 中指定的完整迭代次数。
• guidance_scale: 可选浮点型。在 Classifier-Free Diffusion Guidance 中定义的无分类器指导比例。比例越高，越能鼓励生成与提示更相关的图像，但这通常会牺牲图像质量。请注意，有些模型不使用无分类器指导。
• seed: 可选整型。用作随机种子。