ResNetBackbone
类keras_hub.models.ResNetBackbone(
input_conv_filters,
input_conv_kernel_sizes,
stackwise_num_filters,
stackwise_num_blocks,
stackwise_num_strides,
block_type,
use_pre_activation=False,
image_shape=(None, None, 3),
data_format=None,
dtype=None,
**kwargs
)
带超参数的 ResNet 和 ResNetV2 核心网络。
此类实现了 ResNet 主干,如 Deep Residual Learning for Image Recognition(CVPR 2016)、Identity Mappings in Deep Residual Networks(ECCV 2016)、ResNet strikes back: An improved training procedure in timm(NeurIPS 2021 Workshop) 和 Bag of Tricks for Image Classification with Convolutional Neural Networks 中所述。
ResNet 和 ResNetV2 的区别在于其独立构建块的结构。在 ResNetV2 中,批归一化和 ReLU 激活位于卷积层之前,而在 ResNet 中,批归一化和 ReLU 激活应用于卷积层之后。
ResNetVd 对标准 ResNet 引入了两项关键修改。首先,初始卷积层被一系列三个连续的卷积层取代。其次,快捷连接使用额外的池化操作,而不是在卷积层本身内部执行下采样。
参数
"basic_block"
、"bottleneck_block"
、"basic_block_vd"
或 "bottleneck_block_vd"
之一。ResNet18 和 ResNet34 使用 "basic_block"
。ResNet50、ResNet101 和 ResNet152 使用 "bottleneck_block"
,相应的 ResNet_vd 变体使用 "_vd"
前缀。True
,ResNet 为 False
。(None, None, 3)
。None
或 str。如果指定,可以是 "channels_last"
或 "channels_first"
。输入维度的顺序。"channels_last"
对应于形状为 (batch_size, height, width, channels)
的输入,而 "channels_first"
对应于形状为 (batch_size, channels, height, width)
的输入。默认为 Keras 配置文件 ~/.keras/keras.json
中 image_data_format
的值。如果从未设置,则为 "channels_last"
。None
或 str 或 keras.mixed_precision.DTypePolicy
。用于模型计算和权重的 dtype。示例
input_data = np.random.uniform(0, 1, size=(2, 224, 224, 3))
# Pretrained ResNet backbone.
model = keras_hub.models.ResNetBackbone.from_preset("resnet_50_imagenet")
model(input_data)
# Randomly initialized ResNetV2 backbone with a custom config.
model = keras_hub.models.ResNetBackbone(
input_conv_filters=[64],
input_conv_kernel_sizes=[7],
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,
)
model(input_data)
from_preset
方法ResNetBackbone.from_preset(preset, load_weights=True, **kwargs)
从模型预设实例化 keras_hub.models.Backbone
。
预设是用于保存和加载预训练模型的配置、权重和其他文件资源的目录。preset
可以通过以下方式之一传入:
'bert_base_en'
'kaggle://user/bert/keras/bert_base_en'
'hf://user/bert_base_en'
'./bert_base_en'
此构造函数可以通过两种方式之一调用。可以从基类调用,如 keras_hub.models.Backbone.from_preset()
,也可以从模型类调用,如 keras_hub.models.GemmaBackbone.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。
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
True
,则权重将加载到模型架构中。如果为 False
,则权重将随机初始化。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,
)
预设 | 参数 | 描述 |
---|---|---|
resnet_18_imagenet | 11.19M | 在 ImageNet 1k 数据集上预训练的 18 层 ResNet 模型,分辨率为 224x224。 |
resnet_vd_18_imagenet | 11.72M | 在 ImageNet 1k 数据集上预训练的 18 层 ResNetVD (ResNet with bag of tricks) 模型,分辨率为 224x224。 |
resnet_vd_34_imagenet | 21.84M | 在 ImageNet 1k 数据集上预训练的 34 层 ResNetVD (ResNet with bag of tricks) 模型,分辨率为 224x224。 |
resnet_50_imagenet | 23.56M | 在 ImageNet 1k 数据集上预训练的 50 层 ResNet 模型,分辨率为 224x224。 |
resnet_v2_50_imagenet | 23.56M | 在 ImageNet 1k 数据集上预训练的 50 层 ResNetV2 模型,分辨率为 224x224。 |
resnet_vd_50_imagenet | 25.63M | 在 ImageNet 1k 数据集上预训练的 50 层 ResNetVD (ResNet with bag of tricks) 模型,分辨率为 224x224。 |
resnet_vd_50_ssld_imagenet | 25.63M | 在 ImageNet 1k 数据集上通过知识蒸馏预训练的 50 层 ResNetVD (ResNet with bag of tricks) 模型,分辨率为 224x224。 |
resnet_vd_50_ssld_v2_imagenet | 25.63M | 在 ImageNet 1k 数据集上通过知识蒸馏和 AutoAugment 预训练的 50 层 ResNetVD (ResNet with bag of tricks) 模型,分辨率为 224x224。 |
resnet_vd_50_ssld_v2_fix_imagenet | 25.63M | 在 ImageNet 1k 数据集上通过知识蒸馏、AutoAugment 并额外微调分类头预训练的 50 层 ResNetVD (ResNet with bag of tricks) 模型,分辨率为 224x224。 |
resnet_101_imagenet | 42.61M | 在 ImageNet 1k 数据集上预训练的 101 层 ResNet 模型,分辨率为 224x224。 |
resnet_v2_101_imagenet | 42.61M | 在 ImageNet 1k 数据集上预训练的 101 层 ResNetV2 模型,分辨率为 224x224。 |
resnet_vd_101_imagenet | 44.67M | 在 ImageNet 1k 数据集上预训练的 101 层 ResNetVD (ResNet with bag of tricks) 模型,分辨率为 224x224。 |
resnet_vd_101_ssld_imagenet | 44.67M | 在 ImageNet 1k 数据集上通过知识蒸馏预训练的 101 层 ResNetVD (ResNet with bag of tricks) 模型,分辨率为 224x224。 |
resnet_152_imagenet | 58.30M | 在 ImageNet 1k 数据集上预训练的 152 层 ResNet 模型,分辨率为 224x224。 |
resnet_vd_152_imagenet | 60.36M | 在 ImageNet 1k 数据集上预训练的 152 层 ResNetVD (ResNet with bag of tricks) 模型,分辨率为 224x224。 |
resnet_vd_200_imagenet | 74.93M | 在 ImageNet 1k 数据集上预训练的 200 层 ResNetVD (ResNet with bag of tricks) 模型,分辨率为 224x224。 |