EfficientNetBackbone 模型

[来源]

EfficientNetBackbone 类

keras_hub.models.EfficientNetBackbone(
    stackwise_width_coefficients=None,
    stackwise_depth_coefficients=None,
    stackwise_kernel_sizes,
    stackwise_num_repeats,
    stackwise_input_filters,
    stackwise_output_filters,
    stackwise_expansion_ratios,
    stackwise_squeeze_and_excite_ratios,
    stackwise_strides,
    stackwise_block_types,
    stackwise_force_input_filters=[0, 0, 0, 0, 0, 0, 0],
    stackwise_nores_option=[False, False, False, False, False, False, False],
    dropout=0.2,
    depth_divisor=8,
    min_depth=8,
    input_shape=(None, None, 3),
    data_format="channels_last",
    activation="swish",
    include_stem_padding=True,
    use_depth_divisor_as_min_depth=False,
    cap_round_filter_decrease=False,
    stem_conv_padding="valid",
    batch_norm_momentum=0.9,
    batch_norm_epsilon=1e-05,
    projection_activation=None,
    num_features=1280,
    **kwargs
)

一个 EfficientNet 主干模型。

此类封装了 EfficientNetV1 和 EfficientNetV2 的架构。EfficientNetV2 使用 Fused-MBConv 块和神经架构搜索 (NAS)，使模型大小显著缩小，同时仍提高整体模型质量。

参考文献

• [EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks] (https://arxiv.org/abs/1905.11946) (ICML 2019)
• [基于原始 keras.applications EfficientNet] (https://github.com/keras-team/keras/blob/master/keras/applications/efficientnet.py)
• [EfficientNetV2: Smaller Models and Faster Training] (https://arxiv.org/abs/2104.00298) (ICML 2021)

参数

• stackwise_width_coefficients: list[float]，网络宽度的缩放系数。如果是单个 float，则假定此值适用于所有堆栈。
• stackwise_depth_coefficients: list[float]，网络深度的缩放系数。如果是单个 float，则假定此值适用于所有堆栈。
• stackwise_kernel_sizes: ints 列表，用于每个卷积块的核大小。
• stackwise_num_repeats: ints 列表，重复每个卷积块的次数。
• stackwise_input_filters: ints 列表，每个卷积块的输入滤波器数量。
• stackwise_output_filters: ints 列表，卷积块模型中每个堆栈的输出滤波器数量。
• stackwise_expansion_ratios: floats 列表，传递给 Squeeze-and-Excitation 块的扩展比。
• stackwise_strides: ints 列表，每个卷积块的堆栈步幅。
• stackwise_squeeze_and_excite_ratios: ints 列表，传递给 Squeeze-and-Excitation 块的 Squeeze-and-Excitation 比。
• stackwise_block_types: strings 列表。每个值是 'v1'、'unfused' 或 'fused'，取决于所需的块类型。'v1' 使用原始的 EfficientNet 块。FusedMBConvBlock 类似于 MBConvBlock，但不是使用深度可分离卷积和 1x1 输出卷积，而是使用单个 3x3 卷积块。
• stackwise_force_input_filters: ints 列表，如果 > 0，则覆盖 stackwise_input_filters。主要用于将 stem 滤波器（通常是 stackwise_input_filters[0]）与堆栈输入滤波器区别开来参数化。
• stackwise_nores_option: bools 列表，切换是否不使用残差连接。如果为 False（默认），堆栈将使用残差连接，否则不使用。
• dropout: float，跳跃连接处的 dropout 率。默认值设置为 0.2。
• depth_divisor: integer，网络宽度的单位。默认值设置为 8。
• min_depth: integer，最小滤波器数量。如果 use_depth_divisor_as_min_depth 设置为 True，则可以为 None 并忽略。
• activation: 在每个卷积层之间使用的激活函数。
• input_shape: 可选的 shape 元组，应恰好有 3 个输入通道。

• __ include_initial_padding__: bool，是否包含初始零填充（如 v1 所述）。
• use_depth_divisor_as_min_depth: bool，是否使用 depth_divisor 作为最小深度而不是 min_depth（如 v1 所述）。
• cap_round_filter_decrease: bool，是否限制舍入过程可能产生的滤波器数量的最大减少（如 v1 所述）。
• stem_conv_padding: str，可以是 'same' 或 'valid'。Stem 的填充方式。
• batch_norm_momentum: float，批量归一化层中移动平均计算的动量。
• batch_norm_epsilon: float，批量归一化计算的 epsilon。在计算的分母中使用，以防止除以 0 错误。

示例

# You can customize the EfficientNet architecture:
model = EfficientNetBackbone(
    stackwise_kernel_sizes=[3, 3, 3, 3, 3, 3],
    stackwise_num_repeats=[2, 4, 4, 6, 9, 15],
    stackwise_input_filters=[24, 24, 48, 64, 128, 160],
    stackwise_output_filters=[24, 48, 64, 128, 160, 256],
    stackwise_expansion_ratios=[1, 4, 4, 4, 6, 6],
    stackwise_squeeze_and_excite_ratios=[0.0, 0.0, 0, 0.25, 0.25, 0.25],
    stackwise_strides=[1, 2, 2, 2, 1, 2],
    stackwise_block_types=[["fused"] * 3 + ["unfused"] * 3],
    width_coefficient=1.0,
    depth_coefficient=1.0,
)
images = np.ones((1, 256, 256, 3))
outputs = efficientnet.predict(images)

[来源]

from_preset 方法

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

从模型预设实例化一个 keras_hub.models.Backbone。

预设是用于保存和加载预训练模型的配置、权重和其他文件资源的目录。preset 可以是以下之一：

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'

此构造函数可以通过两种方式调用。可以从基类调用，例如 keras_hub.models.Backbone.from_preset()，或从模型类调用，例如 keras_hub.models.GemmaBackbone.from_preset()。如果从基类调用，返回对象的子类将从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() 来列出该类上可用的所有内置预设。

参数

• preset: string。内置预设标识符、Kaggle Models 句柄、Hugging Face 句柄或本地目录的路径。
• load_weights: bool。如果为 True，权重将加载到模型架构中。如果为 False，权重将随机初始化。

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,
)