DensNetBackbone 模型

[源代码]

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

• stackwise_num_repeats: int 列表，每个密集块中重复卷积块的数量。
• image_shape: 可选形状元组，默认为 (None, None, 3)。
• compression_ratio: float，过渡层的压缩率，默认为 0.5。
• growth_rate: int，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)

[源代码]

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：

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。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

• 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,
)