KerasHub: 预训练模型 / API 文档 / 模型架构 / EfficientNet / EfficientNetImageClassifierPreprocessor 层

EfficientNetImageClassifierPreprocessor 层

[源代码]

EfficientNetImageClassifierPreprocessor

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

图像分类预处理层的基类。

ImageClassifierPreprocessor 任务包装了一个 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_weight。第一个输入 x 始终应包含。它可以是一张图像或一批图像。请参阅下面的示例。ysample_weight 是可选输入,它们将被不变地传递。通常,y 将是分类标签,而 sample_weight 则不会提供。

如果提供了标签,该层将输出 x(x, y) 元组;如果同时提供了标签和样本权重,则输出 (x, y, sample_weight) 元组。x 将是应用了所有模型预处理后的输入图像。

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,此时将自动实例化适用于您的模型的正确类。

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)

[源代码]

from_preset 方法

EfficientNetImageClassifierPreprocessor.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、权重及其他文件资产的目录。preset 可以是以下形式之一:

  1. 一个内置的预设标识符,例如 'bert_base_en'
  2. 一个 Kaggle Models 句柄,例如 'kaggle://user/bert/keras/bert_base_en'
  3. 一个 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,您都可以运行 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,因此应在特定的子类上调用此方法,例如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()

参数

  • preset: 字符串。一个内置的预设标识符、一个 Kaggle Models 句柄、一个 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 参数 描述
efficientnet_lite0_ra_imagenet 4.65M EfficientNet-Lite 模型,使用 RandAugment 方法在 ImageNet 1k 数据集上进行微调。
efficientnet_b0_ra_imagenet 5.29M EfficientNet B0 模型,使用 RandAugment 方法在 ImageNet 1k 数据集上进行预训练。
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,采用受 MobileNet-V4 small 启发的超参数,并混合了 timm 和 'ResNet Strikes Back' 的常用超参数。
efficientnet_es_ra_imagenet 5.44M EfficientNet-EdgeTPU Small 模型,使用 RandAugment 方法在 ImageNet 1k 数据集上训练。
efficientnet_em_ra2_imagenet 6.90M EfficientNet-EdgeTPU Medium 模型,使用 RandAugment2 方法在 ImageNet 1k 数据集上训练。
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,采用受 MobileNet-V4 small 启发的超参数,并混合了 timm 和 'ResNet Strikes Back' 的常用超参数。
efficientnet_b2_ra_imagenet 9.11M EfficientNet B2 模型,使用 RandAugment 方法在 ImageNet 1k 数据集上进行预训练。
efficientnet_el_ra_imagenet 10.59M EfficientNet-EdgeTPU Large 模型,使用 RandAugment 方法在 ImageNet 1k 数据集上训练。
efficientnet_b3_ra2_imagenet 12.23M EfficientNet B3 模型,使用 RandAugment2 方法在 ImageNet 1k 数据集上进行预训练。
efficientnet2_rw_t_ra2_imagenet 13.65M EfficientNet-v2 Tiny 模型,使用 RandAugment2 方法在 ImageNet 1k 数据集上训练。
efficientnet_b4_ra2_imagenet 19.34M EfficientNet B4 模型,使用 RandAugment2 方法在 ImageNet 1k 数据集上进行预训练。
efficientnet2_rw_s_ra2_imagenet 23.94M EfficientNet-v2 Small 模型,使用 RandAugment2 方法在 ImageNet 1k 数据集上训练。
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/预训练方法并进行修改(与 DeiT 和 ConvNeXt 方法相关)。
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 上进行微调。基于 Swin Transformer 训练/预训练方法并进行修改(与 DeiT 和 ConvNeXt 方法相关)。
efficientnet2_rw_m_agc_imagenet 53.24M EfficientNet-v2 Medium 模型,使用自适应梯度裁剪在 ImageNet 1k 数据集上训练。

image_converter 属性

keras_hub.models.EfficientNetImageClassifierPreprocessor.image_converter

用于预处理图像数据的图像转换器。