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

CLIPBackbone 模型

`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。

此骨干网络实现了对比语言-图像预训练 (CLIP) 模型的基础架构。它包含一个视觉编码器、一个文本编码器以及相应的投影层。此骨干网络将输出与每个图像和token输入对应的最终logit分数。这些值是对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，可以设置任意数量的层、头和嵌入维度。要加载预设的架构和权重，请使用from_preset构造函数。

参数

vision_encoder: 用于编码输入图像的CLIP视觉编码器。
text_encoder: 用于编码输入token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（如softmax和层归一化）将始终以float32精度进行，而与dtype无关。

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)

[源代码]

`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。

预设是一个包含配置、权重和其他文件资源的目录，用于保存和加载预训练模型。preset 可以作为以下之一传递：

一个内置的预设标识符，如 'bert_base_en'
一个 Kaggle Models 句柄，如 'kaggle://user/bert/keras/bert_base_en'
一个 Hugging Face 句柄，如 'hf://user/bert_base_en'
一个 ModelScope 句柄，例如 'modelscope://user/bert_base_en'。
一个本地预设目录的路径，如 './bert_base_en'

此构造函数可以通过两种方式之一调用。要么从基类调用，如 keras_hub.models.Backbone.from_preset()，要么从模型类调用，如 keras_hub.models.GemmaBackbone.from_preset()。如果从基类调用，则返回对象的子类将根据预设目录中的配置进行推断。

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：字符串。一个内置预设标识符、一个 Kaggle Models 句柄、一个 Hugging Face 句柄或一个本地目录的路径。
load_weights：布尔值。如果为 `True`，权重将被加载到模型架构中。如果为 `False`，权重将被随机初始化。

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 12 层，文本 12 层，补丁大小 16 的 CLIP 模型。
clip_vit_base_patch32	151.28M	1.51 亿参数，视觉 12 层，文本 12 层，补丁大小 32 的 CLIP 模型。
clip_vit_b_32_laion2b_s34b_b79k	151.28M	1.51 亿参数，视觉 12 层，文本 12 层，补丁大小 32 的 Open CLIP 模型。
clip_vit_large_patch14	427.62M	4.28 亿参数，视觉 24 层，文本 12 层，补丁大小 14 的 CLIP 模型。
clip_vit_large_patch14_336	427.94M	4.28 亿参数，视觉 24 层，文本 12 层，补丁大小 14，图像大小 336 的 CLIP 模型。
clip_vit_h_14_laion2b_s32b_b79k	986.11M	9.86 亿参数，视觉 32 层，文本 24 层，补丁大小 14 的 Open CLIP 模型。
clip_vit_g_14_laion2b_s12b_b42k	1.37B	14 亿参数，视觉 40 层，文本 24 层，补丁大小 14 的 Open CLIP 模型。
clip_vit_bigg_14_laion2b_39b_b160k	2.54B	25 亿参数，视觉 48 层，文本 32 层，补丁大小 14 的 Open CLIP 模型。

CLIPBackbone 模型

CLIPBackbone 类

from_preset 方法

CLIPBackbone 模型

CLIPBackbone 类

from_preset 方法

`CLIPBackbone` 类

`from_preset` 方法