CLIPBackbone
类keras_hub.models.CLIPBackbone(
vision_encoder, text_encoder, projection_dim, dtype=None, name=None, **kwargs
)
带有超参数的 CLIP 核心网络。
该骨干网络实现了对比语言-图像预训练 (CLIP) 模型的基本架构。它包括视觉编码器和文本编码器以及相应的投影层。该骨干网络将输出与每个图像和文本输入对应的最终 logits 分数。这些值是相应图像和文本特征之间的余弦相似度。
默认构造函数提供了一个完全可定制的、随机初始化的 CLIP 模型,该模型可以具有任意数量的层、头部和嵌入维度。要加载预设架构和权重,请使用 from_preset
构造函数。
参数
keras.mixed_precision.DTypePolicy
. 用于模型计算和权重的 dtype。请注意,某些计算(例如 softmax 和层归一化)将始终以 float32 精度执行,无论 dtype 如何。示例
input_data = {
"images": np.ones(shape=(1, 224, 224, 3), dtype="float32"),
"token_ids": np.ones(shape=(1, 12), dtype="int32"),
}
# Pretrained CLIP model.
model = keras_hub.models.CLIPBackbone.from_preset("clip_vit_base_patch32")
model(input_data)
# Randomly initialized CLIP model with custom config.
vision_encoder = keras_hub.models.CLIPVisionEncoder(
patch_size=32,
hidden_dim=768,
num_layers=8,
num_heads=8,
intermediate_dim=2048,
image_shape=(384, 384, 3),
)
text_encoder = keras_hub.models.CLIPTextEncoder(
vocabulary_size=49408,
embedding_dim=768,
hidden_dim=768,
num_layers=8,
num_heads=8,
intermediate_dim=2048,
)
model = keras_hub.models.CLIPBackbone(
vision_encoder=vision_encoder,
text_encoder=text_encoder,
projection_dim=256,
)
model(input_data)
from_preset
方法CLIPBackbone.from_preset(preset, load_weights=True, **kwargs)
从模型预设实例化一个 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:
'bert_base_en'
'kaggle://user/bert/keras/bert_base_en'
'hf://user/bert_base_en'
'./bert_base_en'
此构造函数可以通过以下两种方式之一调用。可以从基类调用,例如 keras_hub.models.Backbone.from_preset()
,也可以从模型类调用,例如 keras_hub.models.GemmaBackbone.from_preset()
。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。
对于任何 Backbone
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。
参数
True
,权重将被加载到模型架构中。如果为 False
,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,
)
预设 | 参数 | 描述 |
---|---|---|
clip_vit_base_patch16 | 149.62M | 1.5 亿参数,视觉部分 12 层,文本部分 12 层,patch 大小为 16 的 CLIP 模型。 |
clip_vit_base_patch32 | 151.28M | 1.51 亿参数,视觉部分 12 层,文本部分 12 层,patch 大小为 32 的 CLIP 模型。 |
clip_vit_b_32_laion2b_s34b_b79k | 151.28M | 1.51 亿参数,视觉部分 12 层,文本部分 12 层,patch 大小为 32 的 Open CLIP 模型。 |
clip_vit_large_patch14 | 427.62M | 4.28 亿参数,视觉部分 24 层,文本部分 12 层,patch 大小为 14 的 CLIP 模型。 |
clip_vit_large_patch14_336 | 427.94M | 4.28 亿参数,视觉部分 24 层,文本部分 12 层,patch 大小为 14,图像大小为 336 的 CLIP 模型。 |
clip_vit_h_14_laion2b_s32b_b79k | 986.11M | 9.86 亿参数,视觉部分 32 层,文本部分 24 层,patch 大小为 14 的 Open CLIP 模型。 |
clip_vit_g_14_laion2b_s12b_b42k | 1.37B | 14 亿参数,视觉部分 40 层,文本部分 24 层,patch 大小为 14 的 Open CLIP 模型。 |
clip_vit_bigg_14_laion2b_39b_b160k | 2.54B | 25 亿参数,视觉部分 48 层,文本部分 32 层,patch 大小为 14 的 Open CLIP 模型。 |