KerasHub: 预训练模型 / API 文档 / 模型架构 / ResNet / ResNetBackbone 模型

ResNetBackbone 模型

[来源]

ResNetBackbone

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

  • input_conv_filters: int 列表。初始卷积层(或多个)的过滤器数量。
  • input_conv_kernel_sizes: int 列表。初始卷积层(或多个)的核大小。
  • stackwise_num_filters: int 列表。每个堆栈的过滤器数量。
  • stackwise_num_blocks: int 列表。每个堆栈的块数量。
  • stackwise_num_strides: int 列表。每个堆栈的步幅数量。
  • block_type: str。要堆叠的块类型。可以是 "basic_block""bottleneck_block""basic_block_vd""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。
  • use_pre_activation: boolean。是否使用预激活。ResNetV2 为 True,ResNet 为 False
  • image_shape: tuple。不包含批大小的输入形状。默认为 (None, None, 3)
  • data_format: None 或 str。如果指定,可以是 "channels_last""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.jsonimage_data_format 的值。如果从未设置,则为 "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)

[来源]

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:

  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'

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

  • preset: string。内置预设标识符、Kaggle Models 句柄、Hugging Face 句柄或本地目录的路径。
  • load_weights: bool。如果为 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。