KerasHub:预训练模型 / API 文档 / 模型架构 / ViT / ViTBackbone 模型

ViTBackbone 模型

[源代码]

ViTBackbone

keras_hub.models.ViTBackbone(
    image_shape,
    patch_size,
    num_layers,
    num_heads,
    hidden_dim,
    mlp_dim,
    dropout_rate=0.0,
    attention_dropout=0.0,
    layer_norm_epsilon=1e-06,
    use_mha_bias=True,
    use_mlp_bias=True,
    data_format=None,
    dtype=None,
    **kwargs
)

Vision Transformer (ViT) 主干网络。

此主干网络实现了《一张图片胜过 16x16 个词:用于大规模图像识别的 Transformer》中描述的 Vision Transformer 架构。它将输入图像转换为一系列补丁,对其进行嵌入,然后通过一系列 Transformer 编码器层进行处理。

参数

  • image_shape: 一个由 3 个整数组成的元组或列表,表示输入图像的形状 (height, width, channels),其中 heightwidth 必须相等。
  • patch_size: int。每个图像补丁的大小,输入图像将被划分为形状为 (patch_size, patch_size) 的补丁。
  • num_layers: int。Transformer 编码器层的数量。
  • num_heads: int。指定每个 Transformer 编码器层中的注意力头数量。
  • hidden_dim: int。隐藏表示的维度。
  • mlp_dim: int。每个 Transformer 编码器层中中间 MLP 层的维度。
  • dropout_rate: float。Transformer 编码器层的 dropout 率。
  • attention_dropout: float。每个 Transformer 编码器层中注意力机制的 dropout 率。
  • layer_norm_epsilon: float。用于层归一化中数值稳定性的值。
  • use_mha_bias: bool。是否在多头注意力层中使用偏置。
  • use_mlp_bias: bool。是否在 MLP 层中使用偏置。
  • data_format: str。"channels_last""channels_first",指定输入图像的数据格式。如果为 None,则默认为 "channels_last"
  • dtype: 层权重的 dtype。默认为 None。
  • **kwargs: 要传递给父 Backbone 类的附加关键字参数。

[源代码]

from_preset 方法

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

从模型预设实例化一个 keras_hub.models.Backbone

预设是一个包含配置、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,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'

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(),也可以从模型类调用,例如 keras_hub.models.GemmaBackbone.from_preset()。如果从基类调用,则返回对象的子类将根据预设目录中的配置推断。

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: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。
  • 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,
)
预设 参数 描述
vit_base_patch16_224_imagenet 85.80M ViT-B16 模型,在 224x224 图像分辨率的 ImageNet 1k 数据集上预训练。
vit_base_patch16_224_imagenet21k 85.80M ViT-B16 骨干网络,在 224x224 图像分辨率的 ImageNet 21k 数据集上预训练。
vit_base_patch16_384_imagenet 86.09M ViT-B16 模型,在 384x384 图像分辨率的 ImageNet 1k 数据集上预训练。
vit_base_patch32_224_imagenet21k 87.46M ViT-B32 骨干网络,在 224x224 图像分辨率的 ImageNet 21k 数据集上预训练。
vit_base_patch32_384_imagenet 87.53M ViT-B32 模型,在 384x384 图像分辨率的 ImageNet 1k 数据集上预训练。
vit_large_patch16_224_imagenet 303.30M ViT-L16 模型,在 224x224 图像分辨率的 ImageNet 1k 数据集上预训练。
vit_large_patch16_224_imagenet21k 303.30M ViT-L16 骨干网络,在 224x224 图像分辨率的 ImageNet 21k 数据集上预训练。
vit_large_patch16_384_imagenet 303.69M ViT-L16 模型,在 384x384 图像分辨率的 ImageNet 1k 数据集上预训练。
vit_large_patch32_224_imagenet21k 305.51M ViT-L32 骨干网络,在 224x224 图像分辨率的 ImageNet 21k 数据集上预训练。
vit_large_patch32_384_imagenet 305.61M ViT-L32 模型,在 384x384 图像分辨率的 ImageNet 1k 数据集上预训练。
vit_huge_patch14_224_imagenet21k 630.76M ViT-H14 骨干网络,在 224x224 图像分辨率的 ImageNet 21k 数据集上预训练。