DensNetBackbone 模型
DenseNetBackbone 类
keras_hub.models.DenseNetBackbone(
stackwise_num_repeats,
image_shape=(None, None, 3),
compression_ratio=0.5,
growth_rate=32,
**kwargs
)
实例化 DenseNet 架构。
此类实现了 Densely Connected Convolutional Networks (CVPR 2017) 中描述的 DenseNet 主干网络。
参数
- stackwise_num_repeats: 整数列表，每个密集块中重复卷积块的数量。
- image_shape: 可选的形状元组，默认为 (None, None, 3)。
- compression_ratio: 浮点数，过渡层的压缩率，默认为 0.5。
- growth_rate: 整数，每个密集块添加的过滤器数量，默认为 32
示例
input_data = np.ones(shape=(8, 224, 224, 3))
# Pretrained backbone
model = keras_hub.models.DenseNetBackbone.from_preset(
"densenet_121_imagenet"
)
model(input_data)
# Randomly initialized backbone with a custom config
model = keras_hub.models.DenseNetBackbone(
stackwise_num_repeats=[6, 12, 24, 16],
)
model(input_data)
from_preset 方法
DenseNetBackbone.from_preset(preset, load_weights=True, **kwargs)
从模型预设实例化 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
- 内置预设标识符，例如
'bert_base_en' - Kaggle Models 句柄，例如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 句柄，例如
'hf://user/bert_base_en' - 本地预设目录的路径，例如
'./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出来。
对于任何 Backbone 子类，您可以运行 cls.presets.keys() 以列出该类上所有可用的内置预设。
参数
- preset: 字符串。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: 布尔值。如果为
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,
)
| 预设 | 参数 | 描述 |
|---|---|---|
| densenet_121_imagenet | 7.04M | 在 ImageNet 1k 数据集上以 224x224 分辨率预训练的 121 层 DenseNet 模型。 |
| densenet_169_imagenet | 12.64M | 在 ImageNet 1k 数据集上以 224x224 分辨率预训练的 169 层 DenseNet 模型。 |
| densenet_201_imagenet | 18.32M | 在 ImageNet 1k 数据集上以 224x224 分辨率预训练的 201 层 DenseNet 模型。 |