DenseNetImageClassifier
类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
keras_hub.models.Backbone
实例或一个 keras.Model
。None
,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。"avg"
或 "max"
。应用于主干网络输出的池化类型。默认为平均池化。None
,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"
。None
,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)
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:
'bert_base_en'
'kaggle://user/bert/keras/bert_base_en'
'hf://user/bert_base_en'
'./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
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。