ResNetImageClassifierPreprocessor
类keras_hub.models.ResNetImageClassifierPreprocessor(image_converter=None, **kwargs)
图像分类预处理层的基类。
ImageClassifierPreprocessor
任务包装了 keras_hub.layers.ImageConverter
,用于创建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
都接受三个输入:x
、y
和 sample_weight
。x
是第一个输入,应始终包含。它可以是一张图像或一批图像。请参阅下面的示例。y
和 sample_weight
是可选输入,将不经修改地直接传递。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。您可以在此基类上直接调用 from_preset()
构造函数,在这种情况下,将自动实例化适用于您模型的正确类。
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
可以是以下之一:
'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,因此此方法应在特定子类上调用,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 | 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(含技巧的 ResNet)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(含技巧的 ResNet)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(含技巧的 ResNet)模型,分辨率为 224x224。 |
resnet_vd_50_ssld_imagenet | 25.63M | 在 ImageNet 1k 数据集上预训练的 50 层 ResNetVD(含技巧的 ResNet)模型,分辨率为 224x224,采用知识蒸馏技术。 |
resnet_vd_50_ssld_v2_imagenet | 25.63M | 在 ImageNet 1k 数据集上预训练的 50 层 ResNetVD(含技巧的 ResNet)模型,分辨率为 224x224,采用知识蒸馏和 AutoAugment 技术。 |
resnet_vd_50_ssld_v2_fix_imagenet | 25.63M | 在 ImageNet 1k 数据集上预训练的 50 层 ResNetVD(含技巧的 ResNet)模型,分辨率为 224x224,采用知识蒸馏、AutoAugment 技术,并对分类头进行了额外微调。 |
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(含技巧的 ResNet)模型,分辨率为 224x224。 |
resnet_vd_101_ssld_imagenet | 44.67M | 在 ImageNet 1k 数据集上预训练的 101 层 ResNetVD(含技巧的 ResNet)模型,分辨率为 224x224,采用知识蒸馏技术。 |
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(含技巧的 ResNet)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(含技巧的 ResNet)模型,分辨率为 224x224。 |
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。