KerasHub：预训练模型
入门指南 开发者指南 API 文档 建模 API 模型架构 分词器 预处理层 建模层 采样器 指标 预训练模型列表
► KerasHub：预训练模型 / API 文档 / 模型架构 / EfficientNet / EfficientNetImageClassifier 模型

EfficientNetImageClassifier 模型

[源代码]

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 任务包装了一个 keras_hub.models.Backbone 和一个 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 是来自 [0, num_classes) 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

  • backbone: 一个 keras_hub.models.Backbone 实例或一个 keras.Model。
  • num_classes: int. 要预测的类别数量。
  • preprocessor: 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，则不对输入应用预处理。
  • pooling: "avg" 或 "max"。应用于主干网络输出的池化类型。默认为平均池化。
  • activation: 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"。
  • head_dtype: None、str 或 keras.mixed_precision.DTypePolicy。用于分类头部计算和权重的 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)

[源代码]

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 可以作为以下之一传递

  1. 内置预设标识符，如 'bert_base_en'
  2. Kaggle Models 句柄，如 'kaggle://user/bert/keras/bert_base_en'
  3. Hugging Face 句柄，如 'hf://user/bert_base_en'
  4. 本地预设目录的路径，如 './bert_base_en'

对于任何 Task 子类，您可以运行 cls.presets.keys() 以列出该类上所有可用的内置预设。

这个构造函数可以通过两种方式中的一种调用。要么从任务特定的基类调用，如 keras_hub.models.CausalLM.from_preset()，要么从模型类调用，如 keras_hub.models.BertTextClassifier.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得出。

参数

  • preset: string. 内置预设标识符、Kaggle Models 句柄、Hugging Face 句柄或本地目录路径。
  • load_weights: bool. 如果为 True，则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
efficientnet_lite0_ra_imagenet 4.65M 在 ImageNet 1k 数据集上使用 RandAugment 策略进行微调的 EfficientNet-Lite 模型。
efficientnet_b0_ra_imagenet 5.29M 在 ImageNet 1k 数据集上使用 RandAugment 策略预训练的 EfficientNet B0 模型。
efficientnet_b0_ra4_e3600_r224_imagenet 5.29M 由 Ross Wightman 在 ImageNet 1k 数据集上预训练的 EfficientNet B0 模型。使用 timm 脚本进行训练，其超参数受到 MobileNet-V4 small 的启发，并混合了来自 timm 和 'ResNet Strikes Back' 的常用超参数。
efficientnet_es_ra_imagenet 5.44M 在 ImageNet 1k 数据集上使用 RandAugment 策略训练的 EfficientNet-EdgeTPU Small 模型。
efficientnet_em_ra2_imagenet 6.90M 在 ImageNet 1k 数据集上使用 RandAugment2 策略训练的 EfficientNet-EdgeTPU Medium 模型。
efficientnet_b1_ft_imagenet 7.79M 在 ImageNet 1k 数据集上微调的 EfficientNet B1 模型。
efficientnet_b1_ra4_e3600_r240_imagenet 7.79M 由 Ross Wightman 在 ImageNet 1k 数据集上预训练的 EfficientNet B1 模型。使用 timm 脚本进行训练，其超参数受到 MobileNet-V4 small 的启发，并混合了来自 timm 和 'ResNet Strikes Back' 的常用超参数。
efficientnet_b2_ra_imagenet 9.11M 在 ImageNet 1k 数据集上使用 RandAugment 策略预训练的 EfficientNet B2 模型。
efficientnet_el_ra_imagenet 10.59M 在 ImageNet 1k 数据集上使用 RandAugment 策略训练的 EfficientNet-EdgeTPU Large 模型。
efficientnet_b3_ra2_imagenet 12.23M 在 ImageNet 1k 数据集上使用 RandAugment2 策略预训练的 EfficientNet B3 模型。
efficientnet2_rw_t_ra2_imagenet 13.65M 在 ImageNet 1k 数据集上使用 RandAugment2 策略训练的 EfficientNet-v2 Tiny 模型。
efficientnet_b4_ra2_imagenet 19.34M 在 ImageNet 1k 数据集上使用 RandAugment2 策略预训练的 EfficientNet B4 模型。
efficientnet2_rw_s_ra2_imagenet 23.94M 在 ImageNet 1k 数据集上使用 RandAugment2 策略训练的 EfficientNet-v2 Small 模型。
efficientnet_b5_sw_imagenet 30.39M 由 Ross Wightman 在 ImageNet 12k 数据集上预训练的 EfficientNet B5 模型。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 由 Ross Wightman 在 ImageNet 12k 数据集上预训练并在 ImageNet-1k 上微调的 EfficientNet B5 模型。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 在 ImageNet 1k 数据集上使用自适应梯度裁剪训练的 EfficientNet-v2 Medium 模型。

backbone 属性

keras_hub.models.EfficientNetImageClassifier.backbone

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。

EfficientNetImageClassifier 模型
EfficientNetImageClassifier 类
from_preset 方法
backbone 属性
preprocessor 属性