KerasHub: 预训练模型 / API 文档 / 模型架构 / SigLIP / SigLIPBackbone 模型

SigLIPBackbone 模型

[源代码]

SigLIPBackbone

keras_hub.models.SigLIPBackbone(vision_encoder, text_encoder, dtype=None, **kwargs)

带有超参数的 SigCLIP 核心网络。

此骨干网络实现了 Sigmoid 损失在 Language-Image Pre-training (SigLIP) 模型中的基础架构。与使用 Softmax 归一化的标准对比学习不同,Sigmoid 损失仅对图像-文本对进行操作,并且不需要全局的成对相似度视图进行归一化。它包括视觉编码器和文本编码器。此骨干网络输出对应于每个图像和文本输入的最终 Logit 分数。

默认构造函数提供一个完全可定制、随机初始化的 SigLIP 模型,可以包含任意数量的层、注意力头和嵌入维度。要加载预设架构和权重,请使用 from_preset 构造函数。

参数

  • vision_encoder:用于编码输入图像的 SigLIP 视觉编码器。
  • text_encoder:用于编码输入文本的 SigLIP 文本编码器。
  • projection_dim:int。投影层的大小。
  • dtype:string 或 keras.mixed_precision.DTypePolicy。用于模型计算和权重的 dtype。请注意,某些计算(如 Softmax 和层归一化)无论 dtype 如何,都将始终使用 float32 精度进行。

示例

input_data = {
    "images": np.ones(shape=(1, 224, 224, 3), dtype="float32"),
    "token_ids": np.ones(shape=(1, 64), dtype="int32"),
}

# Pretrained SigLIP model.
model = keras_hub.models.SigLIPBackbone.from_preset(
    "siglip_base_patch16_224"
)
model(input_data)

# Randomly initialized SigLIP model with custom config.
vision_encoder = keras_hub.models.SigLIPVisionEncoder(
    patch_size=32,
    hidden_dim=768,
    num_layers=8,
    num_heads=8,
    intermediate_dim=2048,
    image_shape=(384, 384, 3),
)
text_encoder = keras_hub.models.SigLIPTextEncoder(
    vocabulary_size=32000,
    embedding_dim=768,
    hidden_dim=768,
    num_layers=8,
    num_heads=8,
    intermediate_dim=2048,
)
model = keras_hub.models.SigLIPBackbone(
    vision_encoder=vision_encoder,
    text_encoder=text_encoder,
)
model(input_data)

[源代码]

from_preset 方法

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

从模型预设实例化一个 keras_hub.models.Backbone

预设是用于保存和加载预训练模型的配置、权重和其他文件资产的目录。preset 可以作为以下之一传递:

  1. 内置预设标识符,例如 'bert_base_en'
  2. Kaggle 模型句柄,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'

此构造函数可以通过两种方式之一调用。可以从基类调用,例如 keras_hub.models.Backbone.from_preset(),或从模型类调用,例如 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出来。

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 模型句柄、Hugging Face 句柄或本地目录的路径。
  • load_weights:bool。如果为 True,则会将权重加载到模型架构中。如果为 False,则会随机初始化权重。

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
siglip_base_patch16_224 203.16M 2 亿参数,图像尺寸 224,在 WebLi 上预训练。
siglip_base_patch16_256 203.20M 2 亿参数,图像尺寸 256,在 WebLi 上预训练。
siglip_base_patch16_384 203.45M 2 亿参数,图像尺寸 384,在 WebLi 上预训练。
siglip_base_patch16_512 203.79M 2 亿参数,图像尺寸 512,在 WebLi 上预训练。
siglip_base_patch16_256_multilingual 370.63M 3.7 亿参数,图像尺寸 256,在 WebLi 上预训练。
siglip2_base_patch16_224 375.19M 3.75 亿参数,Patch 尺寸 16,图像尺寸 224,在 WebLi 上预训练。
siglip2_base_patch16_256 375.23M 3.75 亿参数,Patch 尺寸 16,图像尺寸 256,在 WebLi 上预训练。
siglip2_base_patch32_256 376.86M 3.76 亿参数,Patch 尺寸 32,图像尺寸 256,在 WebLi 上预训练。
siglip2_base_patch16_384 376.86M 3.76 亿参数,Patch 尺寸 16,图像尺寸 384,在 WebLi 上预训练。
siglip_large_patch16_256 652.15M 6.52 亿参数,图像尺寸 256,在 WebLi 上预训练。
siglip_large_patch16_384 652.48M 6.52 亿参数,图像尺寸 384,在 WebLi 上预训练。
siglip_so400m_patch14_224 877.36M 8.77 亿参数,图像尺寸 224,形状优化版本,在 WebLi 上预训练。
siglip_so400m_patch14_384 877.96M 8.77 亿参数,图像尺寸 384,形状优化版本,在 WebLi 上预训练。
siglip2_large_patch16_256 881.53M 8.81 亿参数,Patch 尺寸 16,图像尺寸 256,在 WebLi 上预训练。
siglip2_large_patch16_384 881.86M 8.81 亿参数,Patch 尺寸 16,图像尺寸 384,在 WebLi 上预训练。
siglip2_large_patch16_512 882.31M 8.82 亿参数,Patch 尺寸 16,图像尺寸 512,形状优化版本,在 WebLi 上预训练。
siglip_so400m_patch16_256_i18n 1.13B 11 亿参数,图像尺寸 256,形状优化版本,在 WebLi 上预训练。
siglip2_so400m_patch14_224 1.14B 11 亿参数,Patch 尺寸 14,图像尺寸 224,形状优化版本,在 WebLi 上预训练。
siglip2_so400m_patch16_256 1.14B 11 亿参数,Patch 尺寸 16,图像尺寸 256,形状优化版本,在 WebLi 上预训练。
siglip2_so400m_patch14_384 1.14B 11 亿参数,Patch 尺寸 14,图像尺寸 224,形状优化版本,在 WebLi 上预训练。
siglip2_so400m_patch16_384 1.14B 11 亿参数,Patch 尺寸 16,图像尺寸 384,形状优化版本,在 WebLi 上预训练。
siglip2_so400m_patch16_512 1.14B 11 亿参数,Patch 尺寸 16,图像尺寸 512,形状优化版本,在 WebLi 上预训练。
siglip2_giant_opt_patch16_256 1.87B 18 亿参数,Patch 尺寸 16,图像尺寸 256,在 WebLi 上预训练。
siglip2_giant_opt_patch16_384 1.87B 18 亿参数,Patch 尺寸 16,图像尺寸 384,在 WebLi 上预训练。