HGNetV2ImageClassifier 类keras_hub.models.HGNetV2ImageClassifier(
backbone,
preprocessor,
num_classes,
head_filters=None,
pooling="avg",
activation=None,
dropout=0.0,
head_dtype=None,
**kwargs
)
HGNetV2 图像分类模型。
HGNetV2ImageClassifier 封装了 HGNetV2Backbone 和 HGNetV2ImageClassifierPreprocessor，以创建一个可用于图像分类任务的模型。该模型实现了 HGNetV2 架构，并包含一个额外的分类头，该头包括一个 1x1 卷积层、全局池化和一个密集输出层。
该模型需要一个额外的 num_classes 参数，用于控制预测输出类的数量，还可以选择性地传递一个 head_filters 参数来指定分类头卷积层的过滤器数量。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 是图像张量，y 是一个介于 [0, num_classes) 之间的整数。
参数
HGNetV2Backbone 实例。HGNetV2ImageClassifierPreprocessor 实例、一个 keras.Layer 实例或一个可调用对象。如果为 None，则不对输入应用任何预处理。None，则默认为骨干网络 hidden_sizes 的最后一个值。"avg" 或 "max"。在分类头卷积后应用的全局池化类型。默认为 "avg"。None、str 或可调用对象。用于最终 Dense 层的激活函数。将 activation=None 设置为返回输出 logits。默认为 None。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 predict.
images = np.random.randint(0, 256, size=(2, 224, 224, 3))
classifier = keras_hub.models.HGNetV2ImageClassifier.from_preset(
"hgnetv2_b5_ssld_stage2_ft_in1k"
)
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.HGNetV2ImageClassifier.from_preset(
"hgnetv2_b5_ssld_stage2_ft_in1k"
)
classifier.fit(x=images, y=labels, batch_size=2)
使用自定义损失函数、优化器和冻结的骨干网络调用 fit()。
classifier = keras_hub.models.HGNetV2ImageClassifier.from_preset(
"hgnetv2_b5_ssld_stage2_ft_in1k"
)
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)
创建具有特定分类头配置的自定义 HGNetV2 分类器。
backbone = keras_hub.models.HGNetV2Backbone.from_preset(
"hgnetv2_b5_ssld_stage2_ft_in1k"
)
preproc = keras_hub.models.HGNetV2ImageClassifierPreprocessor.from_preset(
"hgnetv2_b5_ssld_stage2_ft_in1k"
)
classifier = keras_hub.models.HGNetV2ImageClassifier(
backbone=backbone,
preprocessor=preproc,
num_classes=10,
pooling="avg",
dropout=0.2,
)
from_preset 方法HGNetV2ImageClassifier.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。一种方式是从特定任务的基类（如 keras_hub.models.CausalLM.from_preset()）调用，另一种方式是从模型类（如 keras_hub.models.BertTextClassifier.from_preset()）调用。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出来。
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 |
|---|---|---|
| hgnetv2_b4_ssld_stage2_ft_in1k | 13.60M | HGNetV2 B4 模型，采用 2 阶段 SSLD 训练，在 ImageNet-1K 上进行了微调。 |
| hgnetv2_b5_ssld_stage1_in22k_in1k | 33.42M | HGNetV2 B5 模型，采用 1 阶段 SSLD 训练，在 ImageNet-22K 上预训练，在 ImageNet-1K 上微调。 |
| hgnetv2_b5_ssld_stage2_ft_in1k | 33.42M | HGNetV2 B5 模型，采用 2 阶段 SSLD 训练，在 ImageNet-1K 上进行了微调。 |
| hgnetv2_b6_ssld_stage1_in22k_in1k | 69.18M | HGNetV2 B6 模型，采用 1 阶段 SSLD 训练，在 ImageNet-22K 上预训练，在 ImageNet-1K 上微调。 |
| hgnetv2_b6_ssld_stage2_ft_in1k | 69.18M | HGNetV2 B6 模型，采用 2 阶段 SSLD 训练，在 ImageNet-1K 上进行了微调。 |
backbone 属性keras_hub.models.HGNetV2ImageClassifier.backbone
一个具有核心架构的 keras_hub.models.Backbone 模型。
preprocessor 属性keras_hub.models.HGNetV2ImageClassifier.preprocessor
用于预处理输入的 keras_hub.models.Preprocessor 层。