CSPNetBackbone
类keras_hub.models.CSPNetBackbone(
stem_filters,
stem_kernel_size,
stem_strides,
stackwise_depth,
stackwise_strides,
stackwise_num_filters,
block_type,
groups=1,
stage_type=None,
activation="leaky_relu",
output_strides=32,
bottle_ratio=[1.0],
block_ratio=[1.0],
expand_ratio=[1.0],
stem_padding="valid",
stem_pooling=None,
avg_down=False,
down_growth=False,
cross_linear=False,
image_shape=(None, None, 3),
data_format=None,
dtype=None,
**kwargs
)
此类表示 CSPNet 模型的 Keras Backbone。
此类实现了 CSPNet: 一个可以增强 CNN 学习能力的新 Backbone (CSPNet: A New Backbone that can Enhance Learning Capability of CNN) 中描述的 CSPNet Backbone。
参数
"bottleneck_block"
、"dark_block"
或 "edge_block"
之一。对 DarkNet 块使用 "dark_block"
,对 EdgeResidual / Fused-MBConv 块使用 "edge_block"
。1
。"csp"
、"dark"
或 "cs3"
之一。对 DarkNet 阶段使用 "dark"
,对 Cross Stage 使用 "csp"
,对只有一个过渡卷积的 Cross Stage 使用 "cs3"
。默认为 None
,此时默认为 "cs3"
。(8, 16, 32)
之一。默认为 32
。(filters * bottle_ratio)
,并应用于"dark_block"
和 "edge_block"
的第一个卷积"bottleneck_block"
的前两个卷积。默认为 1.0
。(stackwise_num_filters * block_ratio)
。默认为 1.0
。"csp"
和 "cs3"
阶段的滤波器比率。默认为 1.0
。"valid"
或 "same"
。默认为 "valid"
。None
。True
,当 strides == 2
时,在每个阶段开始应用 AveragePooling2D
。默认为 False
。False
。True
,在扩张卷积后不应用激活。仅应用于 Cross Stage。默认为 False
。None
或 str。如果指定,可以是 "channels_last"
或 "channels_first"
。输入的维度顺序。"channels_last"
对应形状为 (batch_size, height, width, channels)
的输入,而 "channels_first"
对应形状为 (batch_size, channels, height, width)
的输入。它默认为 Keras 配置文件 ~/.keras/keras.json
中找到的 image_data_format
值。如果您从未设置过它,则默认为 "channels_last"
。(None, None, 3)
。None
或 str 或 keras.mixed_precision.DTypePolicy
。用于模型计算和权重的 dtype。示例
input_data = np.ones(shape=(8, 224, 224, 3))
# Pretrained backbone
model = keras_hub.models.CSPNetBackbone.from_preset(
"cspdarknet53_ra_imagenet"
)
model(input_data)
# Randomly initialized backbone with a custom config
model = keras_hub.models.CSPNetBackbone(
stem_filters=32,
stem_kernel_size=3,
stem_strides=1,
stackwise_depth=[1, 2, 4],
stackwise_strides=[1, 2, 2],
stackwise_num_filters=[32, 64, 128],
block_type="dark,
)
model(input_data)
from_preset
方法CSPNetBackbone.from_preset(preset, load_weights=True, **kwargs)
从模型 preset 实例化一个 keras_hub.models.Backbone
。
preset 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
可以是以下之一:
'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两种方式调用。要么从基类调用,例如 keras_hub.models.Backbone.from_preset()
,要么从模型类调用,例如 keras_hub.models.GemmaBackbone.from_preset()
。如果从基类调用,返回对象的子类将从 preset 目录中的配置推断。
对于任何 Backbone
子类,您可以运行 cls.presets.keys()
来列出类中所有可用的内置 preset。
参数
True
,权重将加载到模型架构中。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,
)
Preset | 参数 | 描述 |
---|---|---|
csp_darknet_53_ra_imagenet | 26.65M | 一个 CSP-DarkNet (Cross-Stage-Partial) 图像分类模型,在 Randomly Augmented ImageNet 1k 数据集上以 224x224 分辨率进行预训练。 |