EfficientNetImageClassifier
类keras_hub.models.EfficientNetImageClassifier(
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
任务封装了 keras_hub.models.Backbone
和 keras_hub.models.Preprocessor
,以创建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
是字符串,y
是 [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,可用于加载预训练配置和权重。
参数
keras_hub.models.Backbone
实例或一个 keras.Model
。None
、keras_hub.models.Preprocessor
实例、keras.Layer
实例或可调用对象。如果为 None
,则不会对输入应用预处理。"avg"
或 "max"
。要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。用于 Dense
层的激活函数。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()
运行推理。
# 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EfficientNetImageClassifier.from_preset(preset, load_weights=True, **kwargs)
从模型预设实例化一个 keras_hub.models.Task
。
预设是一个包含配置、权重和其他文件资产的目录,用于保存和加载预训练模型。preset
可以作为以下之一传递:
'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,您都可以运行 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调用:从任务特定的基类调用,例如 keras_hub.models.CausalLM.from_preset()
,或者从模型类调用,例如 keras_hub.models.BertTextClassifier.from_preset()
。如果从基类调用,则返回对象的子类将根据预设目录中的配置推断。
参数
True
,已保存的权重将被加载到模型架构中。如果为 False
,所有权重将被随机初始化。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 |
---|---|---|
efficientnet_lite0_ra_imagenet | 4.65M | EfficientNet-Lite 模型在 ImageNet 1k 数据集上使用 RandAugment 策略进行微调。 |
efficientnet_b0_ra_imagenet | 5.29M | EfficientNet B0 模型在 ImageNet 1k 数据集上使用 RandAugment 策略进行预训练。 |
efficientnet_b0_ra4_e3600_r224_imagenet | 5.29M | EfficientNet B0 模型由 Ross Wightman 在 ImageNet 1k 数据集上预训练。使用 timm 脚本训练,超参数受 MobileNet-V4 small、timm 的通用超参数和“ResNet Strikes Back”的启发。 |
efficientnet_es_ra_imagenet | 5.44M | EfficientNet-EdgeTPU Small 模型在 ImageNet 1k 数据集上使用 RandAugment 策略进行训练。 |
efficientnet_em_ra2_imagenet | 6.90M | EfficientNet-EdgeTPU Medium 模型在 ImageNet 1k 数据集上使用 RandAugment2 策略进行训练。 |
efficientnet_b1_ft_imagenet | 7.79M | EfficientNet B1 模型在 ImageNet 1k 数据集上进行微调。 |
efficientnet_b1_ra4_e3600_r240_imagenet | 7.79M | EfficientNet B1 模型由 Ross Wightman 在 ImageNet 1k 数据集上预训练。使用 timm 脚本训练,超参数受 MobileNet-V4 small、timm 的通用超参数和“ResNet Strikes Back”的启发。 |
efficientnet_b2_ra_imagenet | 9.11M | EfficientNet B2 模型在 ImageNet 1k 数据集上使用 RandAugment 策略进行预训练。 |
efficientnet_el_ra_imagenet | 10.59M | EfficientNet-EdgeTPU Large 模型在 ImageNet 1k 数据集上使用 RandAugment 策略进行训练。 |
efficientnet_b3_ra2_imagenet | 12.23M | EfficientNet B3 模型在 ImageNet 1k 数据集上使用 RandAugment2 策略进行预训练。 |
efficientnet2_rw_t_ra2_imagenet | 13.65M | EfficientNet-v2 Tiny 模型在 ImageNet 1k 数据集上使用 RandAugment2 策略进行训练。 |
efficientnet_b4_ra2_imagenet | 19.34M | EfficientNet B4 模型在 ImageNet 1k 数据集上使用 RandAugment2 策略进行预训练。 |
efficientnet2_rw_s_ra2_imagenet | 23.94M | EfficientNet-v2 Small 模型在 ImageNet 1k 数据集上使用 RandAugment2 策略进行训练。 |
efficientnet_b5_sw_imagenet | 30.39M | EfficientNet B5 模型由 Ross Wightman 在 ImageNet 12k 数据集上预训练。基于 Swin Transformer 训练/预训练策略,并进行了修改(与 DeiT 和 ConvNeXt 策略相关)。 |
efficientnet_b5_sw_ft_imagenet | 30.39M | EfficientNet B5 模型由 Ross Wightman 在 ImageNet 12k 数据集上预训练,并在 ImageNet-1k 上微调。基于 Swin Transformer 训练/预训练策略,并进行了修改(与 DeiT 和 ConvNeXt 策略相关)。 |
efficientnet2_rw_m_agc_imagenet | 53.24M | EfficientNet-v2 Medium 模型在 ImageNet 1k 数据集上使用自适应梯度裁剪进行训练。 |
backbone
属性keras_hub.models.EfficientNetImageClassifier.backbone
一个具有核心架构的 keras_hub.models.Backbone
模型。
preprocessor
属性keras_hub.models.EfficientNetImageClassifier.preprocessor
用于预处理输入的 keras_hub.models.Preprocessor
层。