CSPNetBackbone 模型

[源代码]

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
)

该类表示 CSPNet 模型的 Keras Backbone。

该类实现了 CSPNet: 一种可以增强 CNN 学习能力的新主干网络 中描述的 CSPNet 主干网络。

参数

• stem_filters: int 或 int 列表，用于主干的过滤器大小。
• stem_kernel_size: int 或 2 个整数的元组/列表，用于主干的核大小。
• stem_strides: int 或 2 个整数的元组/列表，用于主干的卷积步长。
• stackwise_num_filters: int 列表，模型中每个块级别的过滤器大小。
• stackwise_strides: int 或 int 元组/列表，模型中每个块级别的步长。
• stackwise_depth: int 列表，表示模型中每个块级别的深度（块数）。
• block_type: str。可以是 "bottleneck_block"、"dark_block" 或 "edge_block"。"dark_block" 用于 DarkNet 块，"edge_block" 用于 EdgeResidual / Fused-MBConv 块。
• groups: int，指定输入沿通道轴拆分为的组数。默认为 1。
• stage_type: str。可以是 "csp"、"dark" 或 "cs3"。"dark" 用于 DarkNet 阶段，"csp" 用于交叉阶段，"cs3" 用于只有一个转换卷积的交叉阶段。默认为 None，即默认为 "cs3"。
• activation: str。模型的激活函数。
• output_strides: int，主干模型的输出步长。必须是 (8, 16, 32) 之一。默认为 32。
• bottle_ratio: float 或 float 元组/列表。中间瓶颈空间的维度（即瓶颈卷积中的输出过滤器数量），计算方式为 (filters * bottle_ratio) 并应用于
  • "dark_block" 和 "edge_block" 的第一个卷积
  • 每个阶段的 "bottleneck_block" 的前两个卷积。默认为 1.0。
• block_ratio: float 或 float 元组/列表。每个块的过滤器大小，每个阶段计算方式为 (stackwise_num_filters * block_ratio)。默认为 1.0。
• expand_ratio: float 或 float 元组/列表。不同级别 "csp" 和 "cs3" 阶段的过滤器比率。默认为 1.0。
• stem_padding: str，主干的填充值，可以是 "valid" 或 "same"。默认为 "valid"。
• stem_pooling: str，主干的池化值。默认为 None。
• avg_down: bool，如果为 True，当 strides == 2 时，在每个阶段开始时应用 AveragePooling2D。默认为 False。
• down_growth: bool，将下采样通道增长到输出通道。仅适用于交叉阶段。默认为 False。
• cross_linear: bool，如果为 True，在扩展卷积后将不应用激活。仅适用于交叉阶段。默认为 False。
• data_format: None 或 str。如果指定，可以是 "channels_last" 或 "channels_first"。输入中维度的顺序。"channels_last" 对应于形状为 (batch_size, height, width, channels) 的输入，而 "channels_first" 对应于形状为 (batch_size, channels, height, width) 的输入。它默认为 Keras 配置文件 ~/.keras/keras.json 中 image_data_format 的值。如果您从未设置它，则它将是 "channels_last"。
• image_shape: 元组。不带批量大小的输入形状。默认为 (None, None, 3)。
• dtype：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(
    "csp_darknet_53_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)

[源代码]

from_preset 方法

CSPNetBackbone.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：

1. 一个内置的预设标识符，如 'bert_base_en'
2. 一个 Kaggle Models 句柄，如 'kaggle://user/bert/keras/bert_base_en'
3. 一个 Hugging Face 句柄，如 'hf://user/bert_base_en'
4. 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：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,
)