ResNetBackbone 模型

[源代码]

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
)

带有超参数的 ResNet 和 ResNetV2 核心网络。

此类实现了 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 中描述的 ResNet 主干网络。

ResNet 和 ResNetV2 的区别在于它们各自构建块的结构。在 ResNetV2 中，批归一化和 ReLU 激活位于卷积层之前，而 ResNet 则是在卷积层之后应用批归一化和 ReLU 激活。

ResNetVd 对标准 ResNet 进行了两项关键修改。首先，初始卷积层被一系列三个连续的卷积层替换。其次，跳跃连接使用额外的池化操作，而不是在卷积层本身进行下采样。

参数

• input_conv_filters：整数列表。初始卷积的滤波器数量。
• input_conv_kernel_sizes：整数列表。初始卷积的核大小。
• stackwise_num_filters：整数列表。每个堆栈的滤波器数量。
• stackwise_num_blocks：整数列表。每个堆栈的块数量。
• stackwise_num_strides：整数列表。每个堆栈的步幅数量。
• block_type：字符串。要堆叠的块类型。可选值包括 "basic_block"、"bottleneck_block"、"basic_block_vd" 或 "bottleneck_block_vd"。对于 ResNet18 和 ResNet34 使用 "basic_block"。对于 ResNet50、ResNet101 和 ResNet152 使用 "bottleneck_block"，而 "_vd" 前缀用于相应的 ResNet_vd 变体。
• use_pre_activation：布尔值。是否使用预激活。ResNetV2 为 True，ResNet 为 False。
• image_shape: 元组。不带批量大小的输入形状。默认为 (None, None, 3)。
• data_format: None或str。如果指定，则为"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。它默认为Keras配置文件~/.keras/keras.json中找到的image_data_format值。如果您从未设置过，则默认为"channels_last"。
• dtype：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)

[源代码]

from_preset 方法

ResNetBackbone.from_preset(preset, load_weights=True, **kwargs)

从模型预设实例化一个 keras_hub.models.Backbone。

预设是一个包含配置、权重和其他文件资源的目录，用于保存和加载预训练模型。preset 可以作为以下之一传递：

1. 一个内置的预设标识符，如 'bert_base_en'
2. 一个 Kaggle Models 句柄，如 'kaggle://user/bert/keras/bert_base_en'
3. 一个 Hugging Face 句柄，如 'hf://user/bert_base_en'
4. 一个 ModelScope 句柄，例如 'modelscope://user/bert_base_en'。
5. 一个本地预设目录的路径，如 './bert_base_en'

此构造函数可以通过两种方式之一调用。要么从基类调用，如 keras_hub.models.Backbone.from_preset()，要么从模型类调用，如 keras_hub.models.GemmaBackbone.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进行推断。

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

• preset：字符串。一个内置预设标识符、一个 Kaggle Models 句柄、一个 Hugging Face 句柄或一个本地目录的路径。
• load_weights：布尔值。如果为 `True`，权重将被加载到模型架构中。如果为 `False`，权重将被随机初始化。

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,
)