KerasHub:预训练模型 / API 文档 / 模型架构 / DenseNet / DenseNetImageClassifier 模型

DenseNetImageClassifier 模型

[源]

DenseNetImageClassifier

keras_hub.models.DenseNetImageClassifier(
    backbone,
    num_classes,
    preprocessor=None,
    pooling="avg",
    activation=None,
    dropout=0.0,
    head_dtype=None,
    **kwargs
)

所有图像分类任务的基类。

ImageClassifier 任务包装了一个 keras_hub.models.Backbone 和一个 keras_hub.models.Preprocessor,用于创建一个可用于图像分类的模型。ImageClassifier 任务接受一个额外的 num_classes 参数,用于控制预测输出类别的数量。

要使用 fit() 进行微调,请传递一个包含 (x, y) 标签元组的数据集,其中 x 是一个字符串,y 是一个在 [0, num_classes) 范围内的整数。所有 ImageClassifier 任务都包含一个 from_preset() 构造函数,可用于加载预训练的配置和权重。

参数

  • backbone:一个 keras_hub.models.Backbone 实例或一个 keras.Model
  • num_classes:int。要预测的类别数量。
  • preprocessorNone,一个 keras_hub.models.Preprocessor 实例,一个 keras.Layer 实例,或一个可调用对象。如果为 None,则不应对输入进行预处理。
  • pooling"avg""max"。应用于主干网络输出的池化类型。默认为平均池化。
  • activationNone,str,或可调用对象。在 Dense 层上使用的激活函数。将 activation 设置为 None 以返回输出 logits。默认为 "softmax"
  • head_dtypeNone,str,或 keras.mixed_precision.DTypePolicy。用于分类头计算和权重的 dtype。

示例

调用 predict() 运行推断。

# Load preset and train
images = np.random.randint(0, 256, size=(2, 224, 224, 3))
classifier = keras_hub.models.ImageClassifier.from_preset(
    "resnet_50_imagenet"
)
classifier.predict(images)

在单个批次上调用 fit()

# Load preset and train
images = np.random.randint(0, 256, size=(2, 224, 224, 3))
labels = [0, 3]
classifier = keras_hub.models.ImageClassifier.from_preset(
    "resnet_50_imagenet"
)
classifier.fit(x=images, y=labels, batch_size=2)

使用自定义损失、优化器和主干网络调用 fit()

classifier = keras_hub.models.ImageClassifier.from_preset(
    "resnet_50_imagenet"
)
classifier.compile(
    loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True),
    optimizer=keras.optimizers.Adam(5e-5),
)
classifier.backbone.trainable = False
classifier.fit(x=images, y=labels, batch_size=2)

自定义主干网络。

images = np.random.randint(0, 256, size=(2, 224, 224, 3))
labels = [0, 3]
backbone = keras_hub.models.ResNetBackbone(
    stackwise_num_filters=[64, 64, 64],
    stackwise_num_blocks=[2, 2, 2],
    stackwise_num_strides=[1, 2, 2],
    block_type="basic_block",
    use_pre_activation=True,
    pooling="avg",
)
classifier = keras_hub.models.ImageClassifier(
    backbone=backbone,
    num_classes=4,
)
classifier.fit(x=images, y=labels, batch_size=2)

[源]

from_preset 方法

DenseNetImageClassifier.from_preset(preset, load_weights=True, **kwargs)

从模型预设中实例化一个 keras_hub.models.Task

预设是一个目录,包含用于保存和加载预训练模型的配置、权重和其他文件资产。preset 可以按以下方式之一传递:

  1. 一个内置的预设标识符,例如 'bert_base_en'
  2. 一个 Kaggle 模型句柄,例如 'kaggle://user/bert/keras/bert_base_en'
  3. 一个 Hugging Face 句柄,例如 'hf://user/bert_base_en'
  4. 本地预设目录的路径,例如 './bert_base_en'

对于任何 Task 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。

此构造函数可以通过两种方式之一调用。可以从任务特定的基类调用,例如 keras_hub.models.CausalLM.from_preset(),也可以从模型类调用,例如 keras_hub.models.BertTextClassifier.from_preset()。如果从基类调用,则返回对象的子类将从预设目录中的配置推断出来。

参数

  • preset:string。一个内置的预设标识符、一个 Kaggle 模型句柄、一个 Hugging Face 句柄,或本地目录的路径。
  • load_weights:bool。如果为 True,则会将保存的权重加载到模型架构中。如果为 False,则所有权重都将随机初始化。

示例

# Load a Gemma generative task.
causal_lm = keras_hub.models.CausalLM.from_preset(
    "gemma_2b_en",
)

# Load a Bert classification task.
model = keras_hub.models.TextClassifier.from_preset(
    "bert_base_en",
    num_classes=2,
)
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。

backbone 属性

keras_hub.models.DenseNetImageClassifier.backbone

具有核心架构的 keras_hub.models.Backbone 模型。


preprocessor 属性

keras_hub.models.DenseNetImageClassifier.preprocessor

用于预处理输入的 keras_hub.models.Preprocessor 层。