EfficientNetBackbone 模型

[源代码]

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骨干模型。

此类封装了EfficientNetV1和EfficientNetV2的架构。EfficientNetV2使用了融合MBConv块和神经架构搜索（NAS），从而大大减小了模型尺寸，同时提高了整体模型质量。

参考文献

• [EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks] (https://arxiv.org/abs/1905.11946) (ICML 2019)
• [基于原始的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。如果为单个浮点数，则假定该值适用于所有堆栈。
• stackwise_depth_coefficients: list[float]，网络深度的缩放系数。如果为单个浮点数，则假定该值适用于所有堆栈。
• stackwise_kernel_sizes: list of ints，每个卷积块使用的卷积核大小。
• stackwise_num_repeats: list of ints，每个卷积块重复的次数。
• stackwise_input_filters: list of ints，每个卷积块的输入滤波器数量。
• stackwise_output_filters: list of ints，卷积块模型中每个堆栈的输出滤波器数量。
• stackwise_expansion_ratios: list of floats，传递给squeeze and excitation块的扩展比例。
• stackwise_strides: list of ints，每个卷积块的步幅。
• stackwise_squeeze_and_excite_ratios: list of ints，传递给squeeze and excite块的squeeze and excite比例。
• stackwise_block_types: list of strings。每个值可以是'v1'、'unfused'或'fused'，取决于所需的块。'v1'使用原始的efficientnet块。FusedMBConvBlock类似于MBConvBlock，但它使用一个3x3的卷积块，而不是一个深度卷积和一个1x1的输出卷积块。
• stackwise_force_input_filters: list of ints，如果大于0，则覆盖stackwise_input_filters。主要用于对stem滤波器（通常是stackwise_input_filters[0]）进行参数化，使其与堆栈输入滤波器不同。
• stackwise_nores_option: list of bools，切换是否使用残差连接。如果为False（默认），则堆栈将使用残差连接，否则不使用。
• dropout: float，跳跃连接处的dropout率。默认值为0.2。
• depth_divisor: integer，网络宽度的单位。默认值为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: 可选的形状元组，应具有恰好3个输入通道。

• __ include_initial_padding__: bool，是否包含初始零填充（如同v1）。
• use_depth_divisor_as_min_depth: bool，是否使用depth_divisor作为最小深度，而不是min_depth（如同v1）。
• cap_round_filter_decrease: bool，是否限制四舍五入过程可能产生的滤波器数量的最大减少值（如同v1）。
• stem_conv_padding: str，可以是'same'或'valid'。stem的填充。
• batch_norm_momentum: float，批标准化层中移动平均计算的动量。
• batch_norm_epsilon: float，批标准化计算的epsilon。用于计算中的分母，以防止除以零错误。

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)

[源代码]

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 ModelScope 句柄，例如 'modelscope://user/bert_base_en'。
5. 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之一调用。要么从基类调用，如 keras_hub.models.Backbone.from_preset()，要么从模型类调用，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进行推断。

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,
)