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

ResNetImageClassifierPreprocessor 层

[源代码]

ResNetImageClassifierPreprocessor

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:xysample_weightx,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。ysample_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(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)

[源代码]

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:

  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. 一个本地预设目录的路径,如 './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

  • 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。

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。