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

ResNetImageClassifier 模型

[源代码]

ResNetImageClassifier

keras_hub.models.ResNetImageClassifier(
    backbone,
    num_classes,
    preprocessor=None,
    pooling="avg",
    activation=None,
    dropout=0.0,
    head_dtype=None,
    **kwargs
)

所有图像分类任务的基类。

ImageClassifier 任务封装了 keras_hub.models.Backbonekeras_hub.models.Preprocessor,用于创建一个可用于图像分类的模型。ImageClassifier 任务接受额外的 num_classes 参数,用于控制预测输出类的数量。

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 是字符串,y 是来自 [0, num_classes) 的整数。所有 ImageClassifier 任务都包含一个 from_preset() 构造函数,可用于加载预训练配置和权重。

参数

  • backbone: 一个 keras_hub.models.Backbone 实例或一个 keras.Model
  • num_classes: int。要预测的类数。
  • preprocessor: None、一个 keras_hub.models.Preprocessor 实例、一个 keras.Layer 实例或一个可调用对象。如果为 None,则不对输入应用预处理。
  • pooling: "avg""max"。要应用于主干网络输出的池化类型。默认为平均池化。
  • activation: None、str 或可调用对象。要在 Dense 层上使用的激活函数。设置为 activation=None 可返回输出 logits。默认为 "softmax"
  • head_dtype: None、str 或 keras.mixed_precision.DTypePolicy。用于分类头的计算和权重的 dtype。

示例

调用 predict() 运行推理。

# Load preset and train
images = np.random.randint(0, 256, size=(2, 224, 224, 3))
classifier = keras_hub.models.ImageClassifier.from_preset(
    "resnet_50_imagenet"
)
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.ImageClassifier.from_preset(
    "resnet_50_imagenet"
)
classifier.fit(x=images, y=labels, batch_size=2)

使用自定义损失、优化器和主干网络调用 fit()

classifier = keras_hub.models.ImageClassifier.from_preset(
    "resnet_50_imagenet"
)
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)

自定义主干网络。

images = np.random.randint(0, 256, size=(2, 224, 224, 3))
labels = [0, 3]
backbone = keras_hub.models.ResNetBackbone(
    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,
    pooling="avg",
)
classifier = keras_hub.models.ImageClassifier(
    backbone=backbone,
    num_classes=4,
)
classifier.fit(x=images, y=labels, batch_size=2)

[源代码]

from_preset 方法

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

从模型预设实例化一个 keras_hub.models.Task

预设是用于保存和加载预训练模型的配置、权重和其他文件资产的目录。preset 可以以下列形式之一传入:

  1. 内置预设标识符,例如 'bert_base_en'
  2. Kaggle Models 句柄,例如 'kaggle://user/bert/keras/bert_base_en'
  3. 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 Task 子类,您可以运行 cls.presets.keys() 列出类上所有可用的内置预设。

此构造函数可以通过以下两种方式之一调用。可以从特定任务的基类调用,例如 keras_hub.models.CausalLM.from_preset(),或者从模型类调用,例如 keras_hub.models.BertTextClassifier.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。

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,会将保存的权重加载到模型架构中。如果为 False,则所有权重将随机初始化。

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
resnet_18_imagenet 11.19M 在 224x224 分辨率下,在 ImageNet 1k 数据集上预训练的 18 层 ResNet 模型。
resnet_vd_18_imagenet 11.72M 在 224x224 分辨率下,在 ImageNet 1k 数据集上预训练的 18 层 ResNetVD(带技巧的 ResNet)模型。
resnet_vd_34_imagenet 21.84M 在 224x224 分辨率下,在 ImageNet 1k 数据集上预训练的 34 层 ResNetVD(带技巧的 ResNet)模型。
resnet_50_imagenet 23.56M 在 224x224 分辨率下,在 ImageNet 1k 数据集上预训练的 50 层 ResNet 模型。
resnet_v2_50_imagenet 23.56M 在 224x224 分辨率下,在 ImageNet 1k 数据集上预训练的 50 层 ResNetV2 模型。
resnet_vd_50_imagenet 25.63M 在 224x224 分辨率下,在 ImageNet 1k 数据集上预训练的 50 层 ResNetVD(带技巧的 ResNet)模型。
resnet_vd_50_ssld_imagenet 25.63M 在 224x224 分辨率下,在 ImageNet 1k 数据集上预训练的 50 层 ResNetVD(带技巧的 ResNet)模型,并使用知识蒸馏。
resnet_vd_50_ssld_v2_imagenet 25.63M 在 224x224 分辨率下,在 ImageNet 1k 数据集上预训练的 50 层 ResNetVD(带技巧的 ResNet)模型,并使用知识蒸馏和 AutoAugment。
resnet_vd_50_ssld_v2_fix_imagenet 25.63M 在 224x224 分辨率下,在 ImageNet 1k 数据集上预训练的 50 层 ResNetVD(带技巧的 ResNet)模型,并使用知识蒸馏、AutoAugment 和对分类头的额外微调。
resnet_101_imagenet 42.61M 在 224x224 分辨率下,在 ImageNet 1k 数据集上预训练的 101 层 ResNet 模型。
resnet_v2_101_imagenet 42.61M 在 224x224 分辨率下,在 ImageNet 1k 数据集上预训练的 101 层 ResNetV2 模型。
resnet_vd_101_imagenet 44.67M 在 224x224 分辨率下,在 ImageNet 1k 数据集上预训练的 101 层 ResNetVD(带技巧的 ResNet)模型。
resnet_vd_101_ssld_imagenet 44.67M 在 224x224 分辨率下,在 ImageNet 1k 数据集上预训练的 101 层 ResNetVD(带技巧的 ResNet)模型,并使用知识蒸馏。
resnet_152_imagenet 58.30M 在 224x224 分辨率下,在 ImageNet 1k 数据集上预训练的 152 层 ResNet 模型。
resnet_vd_152_imagenet 60.36M 在 224x224 分辨率下,在 ImageNet 1k 数据集上预训练的 152 层 ResNetVD(带技巧的 ResNet)模型。
resnet_vd_200_imagenet 74.93M 在 224x224 分辨率下,在 ImageNet 1k 数据集上预训练的 200 层 ResNetVD(带技巧的 ResNet)模型。

backbone 属性

keras_hub.models.ResNetImageClassifier.backbone

具有核心架构的 keras_hub.models.Backbone 模型。


preprocessor 属性

keras_hub.models.ResNetImageClassifier.preprocessor

用于预处理输入的 keras_hub.models.Preprocessor 层。