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

DenseNetImageClassifierPreprocessor 层

[源]

DenseNetImageClassifierPreprocessor

keras_hub.models.DenseNetImageClassifierPreprocessor(image_converter=None, **kwargs)

图像分类预处理层的基类。

ImageClassifierPreprocessor 任务封装了一个 keras_hub.layers.ImageConverter,用于创建图像分类任务的预处理层。它旨在与 keras_hub.models.ImageClassifier 任务配对使用。

所有 ImageClassifierPreprocessor 都接受三个输入:xysample_weightx 是第一个输入,应始终包含在内。它可以是一张图片或一批图片。请参阅下面的示例。ysample_weight 是可选输入,将保持不变地传递。通常,y 将是分类标签,而 sample_weight 不会提供。

如果提供了标签,该层将输出 x 或一个 (x, y) 元组;如果提供了标签和样本权重,则输出一个 (x, y, sample_weight) 元组。x 将是应用所有模型预处理后的输入图片。

所有 ImageClassifierPreprocessor 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词汇表。您可以直接在此基类上调用 from_preset() 构造函数,在这种情况下,将自动实例化适合您模型的正确类。

示例。

preprocessor = keras_hub.models.ImageClassifierPreprocessor.from_preset(
    "resnet_50",
)

# Resize a single image for resnet 50.
x = np.random.randint(0, 256, (512, 512, 3))
x = preprocessor(x)

# Resize a labeled image.
x, y = np.random.randint(0, 256, (512, 512, 3)), 1
x, y = preprocessor(x, y)

# Resize a batch of labeled images.
x, y = [
    np.random.randint(0, 256, (512, 512, 3)),
    np.zeros((512, 512, 3))
], [1, 0]
x, y = preprocessor(x, y)

# Use a [`tf.data.Dataset`](https://tensorflowcn.cn/api_docs/python/tf/data/Dataset).
ds = tf.data.Dataset.from_tensor_slices((x, y)).batch(2)
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)

[源]

from_preset 方法

DenseNetImageClassifierPreprocessor.from_preset(
    preset, config_file="preprocessor.json", **kwargs
)

从模型预设实例化一个 keras_hub.models.Preprocessor

预设是用于保存和加载预训练模型的配置、权重和其他文件资产的目录。preset 可以作为以下类型之一传递:

  1. 内置预设标识符,例如 'bert_base_en'
  2. Kaggle Models 句柄,例如 'kaggle://user/bert/keras/bert_base_en'
  3. 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 Preprocessor 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。

由于通常一个给定模型有多个预处理类,此方法应在特定子类上调用,例如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()

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。

示例

# Load a preprocessor for Gemma generation.
preprocessor = keras_hub.models.CausalLMPreprocessor.from_preset(
    "gemma_2b_en",
)

# Load a preprocessor for Bert classification.
preprocessor = keras_hub.models.TextClassifierPreprocessor.from_preset(
    "bert_base_en",
)
预设 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。

image_converter 属性

keras_hub.models.DenseNetImageClassifierPreprocessor.image_converter

用于预处理图像数据的图像转换器。