KerasHub: 预训练模型 / API 文档 / 模型架构 / CLIP / CLIPBackbone 模型

CLIPBackbone 模型

[来源]

CLIPBackbone

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

  • vision_encoder: 用于对输入图像进行编码的 CLIP 视觉编码器。
  • text_encoder: 用于对输入 tokens 进行编码的 CLIP 文本编码器。
  • projection_dim: int. 投影层的大小。
  • dtype: string 或 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)

[来源]

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:

  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'

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

  • preset: string. 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: bool. 如果为 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。