VGGBackbone 模型

[源代码]

VGGBackbone 类

keras_hub.models.VGGBackbone(
    stackwise_num_repeats, stackwise_num_filters, image_shape=(None, None, 3), **kwargs
)

此类代表 VGG 模型的 Keras Backbone。

此类实现了一个 VGG backbone，如 用于大规模图像识别的超深度卷积网络(ICLR 2015) 中所述。

参数

• stackwise_num_repeats: 整数列表，每个 VGG 块中重复卷积块的数量。对于 VGG16，这是 [2, 2, 3, 3, 3]，对于 VGG19，这是 [2, 2, 4, 4, 4]。
• stackwise_num_filters: 整数列表，每个 VGG 块中卷积块的过滤器大小。对于 VGG16 和 VGG19，这都是 [64, 128, 256, 512, 512]。
• image_shape: 元组，可选的形状元组，默认为 (None, None, 3)。

示例

input_data = np.ones((2, 224, 224, 3), dtype="float32")

# Pretrained VGG backbone.
model = keras_hub.models.VGGBackbone.from_preset("vgg_16_imagenet")
model(input_data)

# Randomly initialized VGG backbone with a custom config.
model = keras_hub.models.VGGBackbone(
    stackwise_num_repeats = [2, 2, 3, 3, 3],
    stackwise_num_filters = [64, 128, 256, 512, 512],
    image_shape = (224, 224, 3),
)
model(input_data)

[源代码]

from_preset 方法

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

从模型预设实例化一个 keras_hub.models.Backbone。

预设是一个配置、权重和其他文件资源的目录，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，例如 'bert_base_en'
2. 一个 Kaggle Models 句柄，例如 'kaggle://user/bert/keras/bert_base_en'
3. 一个 Hugging Face 句柄，例如 'hf://user/bert_base_en'
4. 一个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调用。可以从基类调用，例如 keras_hub.models.Backbone.from_preset()，或者从模型类调用，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中推断出来。

对于任何 Backbone 子类，您可以运行 cls.presets.keys() 以列出该类上所有可用的内置预设。

参数

• preset: 字符串。一个内置的预设标识符、Kaggle Models 句柄、Hugging Face 句柄或本地目录的路径。
• load_weights: 布尔值。如果为 True，权重将被加载到模型架构中。如果为 False，权重将被随机初始化。

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,
)