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《密集连接卷积网络 (CVPR 2017)》中描述的 DenseNet 骨干网络。
参数
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:
'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。一种是从基类调用,例如 keras_hub.models.Backbone.from_preset()
,另一种是从模型类调用,例如 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
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 | 121 层 DenseNet 模型,在 224x224 分辨率的 ImageNet 1k 数据集上预训练。 |
densenet_169_imagenet | 12.64M | 169 层 DenseNet 模型,在 224x224 分辨率的 ImageNet 1k 数据集上预训练。 |
densenet_201_imagenet | 18.32M | 201 层 DenseNet 模型,在 224x224 分辨率的 ImageNet 1k 数据集上预训练。 |