ResNetImageClassifierPreprocessor 类keras_hub.models.ResNetImageClassifierPreprocessor(image_converter=None, **kwargs)
图像分类预处理层的基类。
ImageClassifierPreprocessor 任务封装了一个 keras_hub.layers.ImageConverter 以创建用于图像分类任务的预处理层。它旨在与 keras_hub.models.ImageClassifier 任务配对使用。
所有 ImageClassifierPreprocessor 都接收三个输入：x、y 和 sample_weight。x，第一个输入，应该始终包含。它可以是单个图像或一批图像。请参见下面的示例。y 和 sample_weight 是可选输入，将原样传递。通常，y 是分类标签，而 sample_weight 不会提供。
如果提供了标签，该层将输出 x 或 (x, y) 元组；如果提供了标签和样本权重，则输出 (x, y, sample_weight) 元组。x 将是应用所有模型预处理后的输入图像。
所有 ImageClassifierPreprocessor 任务都包含一个 from_preset() 构造函数，可用于加载预训练配置和词汇表。您可以直接在此基类上调用 from_preset() 构造函数，在这种情况下，将自动实例化适合您模型的正确类。
示例。
preprocessor = keras_hub.models.ImageClassifierPreprocessor.from_preset(
"resnet_50",
)
# Resize a single image for resnet 50.
x = np.random.randint(0, 256, (512, 512, 3))
x = preprocessor(x)
# Resize a labeled image.
x, y = np.random.randint(0, 256, (512, 512, 3)), 1
x, y = preprocessor(x, y)
# Resize a batch of labeled images.
x, y = [
np.random.randint(0, 256, (512, 512, 3)),
np.zeros((512, 512, 3))
], [1, 0]
x, y = preprocessor(x, y)
# Use a [`tf.data.Dataset`](https://tensorflowcn.cn/api_docs/python/tf/data/Dataset).
ds = tf.data.Dataset.from_tensor_slices((x, y)).batch(2)
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)
from_preset 方法ResNetImageClassifierPreprocessor.from_preset(
preset, config_file="preprocessor.json", **kwargs
)
从模型预设实例化一个 keras_hub.models.Preprocessor。
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 Preprocessor 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。
由于一个给定模型通常有多个预处理类，因此应在特定的子类上调用此方法，例如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()。
参数
示例
# Load a preprocessor for Gemma generation.
preprocessor = keras_hub.models.CausalLMPreprocessor.from_preset(
"gemma_2b_en",
)
# Load a preprocessor for Bert classification.
preprocessor = keras_hub.models.TextClassifierPreprocessor.from_preset(
"bert_base_en",
)
| 预设 | 参数 | 描述 |
|---|---|---|
| resnet_18_imagenet | 11.19M | 18 层 ResNet 模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练。 |
| resnet_vd_18_imagenet | 11.72M | 18 层 ResNetVD（带技巧包的 ResNet）模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练。 |
| resnet_vd_34_imagenet | 21.84M | 34 层 ResNetVD（带技巧包的 ResNet）模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练。 |
| resnet_50_imagenet | 23.56M | 50 层 ResNet 模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练。 |
| resnet_v2_50_imagenet | 23.56M | 50 层 ResNetV2 模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练。 |
| resnet_vd_50_imagenet | 25.63M | 50 层 ResNetVD（带技巧包的 ResNet）模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练。 |
| resnet_vd_50_ssld_imagenet | 25.63M | 50 层 ResNetVD（带技巧包的 ResNet）模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练，并采用知识蒸馏。 |
| resnet_vd_50_ssld_v2_imagenet | 25.63M | 50 层 ResNetVD（带技巧包的 ResNet）模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练，并采用知识蒸馏和 AutoAugment。 |
| resnet_vd_50_ssld_v2_fix_imagenet | 25.63M | 50 层 ResNetVD（带技巧包的 ResNet）模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练，并采用知识蒸馏、AutoAugment 和额外的分类头微调。 |
| resnet_101_imagenet | 42.61M | 101 层 ResNet 模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练。 |
| resnet_v2_101_imagenet | 42.61M | 101 层 ResNetV2 模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练。 |
| resnet_vd_101_imagenet | 44.67M | 101 层 ResNetVD（带技巧包的 ResNet）模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练。 |
| resnet_vd_101_ssld_imagenet | 44.67M | 101 层 ResNetVD（带技巧包的 ResNet）模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练，并采用知识蒸馏。 |
| resnet_152_imagenet | 58.30M | 152 层 ResNet 模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练。 |
| resnet_vd_152_imagenet | 60.36M | 152 层 ResNetVD（带技巧包的 ResNet）模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练。 |
| resnet_vd_200_imagenet | 74.93M | 200 层 ResNetVD（带技巧包的 ResNet）模型，在 224x224 分辨率的 ImageNet 1k 数据集上预训练。 |
image_converter 属性keras_hub.models.ResNetImageClassifierPreprocessor.image_converter
用于预处理图像数据的图像转换器。