KerasHub: 预训练模型 / API 文档 / 模型架构 / Xception / XceptionImageClassifier 模型

XceptionImageClassifier 模型

[源代码]

XceptionImageClassifier

keras_hub.models.XceptionImageClassifier(
    backbone,
    num_classes,
    preprocessor=None,
    pooling="avg",
    activation=None,
    dropout=0.0,
    head_dtype=None,
    **kwargs
)

所有图像分类任务的基类。

ImageClassifier 任务封装了 keras_hub.models.Backbonekeras_hub.models.Preprocessor 以创建可用于图像分类的模型。ImageClassifier 任务接受额外的 num_classes 参数,控制预测输出类别的数量。

要使用 fit() 进行微调,请传递包含 (x, y) 标签元组的数据集,其中 x 是字符串,y[0, num_classes) 范围内的整数。所有 ImageClassifier 任务都包含一个 from_preset() 构造函数,可用于加载预训练配置和权重。

参数

  • backbone:一个 keras_hub.models.Backbone 实例或一个 keras.Model
  • num_classes:int。要预测的类别数量。
  • preprocessor: None,一个 keras_hub.models.Preprocessor 实例,一个 keras.Layer 实例,或一个可调用对象。如果为 None,则不会对输入应用预处理。
  • pooling"avg""max"。要应用于主干网络输出的池化类型。默认为平均池化。
  • activationNone、str 或可调用对象。用于 Dense 层的激活函数。将 activation 设置为 None 以返回输出 logits。默认为 "softmax"
  • head_dtypeNone、str 或 keras.mixed_precision.DTypePolicy。用于分类头计算和权重的 dtype。

示例

调用 predict() 运行推理。

# Load preset and train
images = np.random.randint(0, 256, size=(2, 224, 224, 3))
classifier = keras_hub.models.ImageClassifier.from_preset(
    "resnet_50_imagenet"
)
classifier.predict(images)

在单个批次上调用 fit()

# Load preset and train
images = np.random.randint(0, 256, size=(2, 224, 224, 3))
labels = [0, 3]
classifier = keras_hub.models.ImageClassifier.from_preset(
    "resnet_50_imagenet"
)
classifier.fit(x=images, y=labels, batch_size=2)

使用自定义损失、优化器和主干网络调用 fit()

classifier = keras_hub.models.ImageClassifier.from_preset(
    "resnet_50_imagenet"
)
classifier.compile(
    loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True),
    optimizer=keras.optimizers.Adam(5e-5),
)
classifier.backbone.trainable = False
classifier.fit(x=images, y=labels, batch_size=2)

自定义主干网络。

images = np.random.randint(0, 256, size=(2, 224, 224, 3))
labels = [0, 3]
backbone = keras_hub.models.ResNetBackbone(
    stackwise_num_filters=[64, 64, 64],
    stackwise_num_blocks=[2, 2, 2],
    stackwise_num_strides=[1, 2, 2],
    block_type="basic_block",
    use_pre_activation=True,
    pooling="avg",
)
classifier = keras_hub.models.ImageClassifier(
    backbone=backbone,
    num_classes=4,
)
classifier.fit(x=images, y=labels, batch_size=2)

[源代码]

from_preset 方法

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

从模型预设实例化一个 keras_hub.models.Task

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 Task 子类,您都可以运行 cls.presets.keys() 来列出该类上所有可用的内置预设。

此构造函数可以通过以下两种方式之一调用:从特定于任务的基类(如 keras_hub.models.CausalLM.from_preset()),或从模型类(如 keras_hub.models.BertTextClassifier.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。

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,已保存的权重将被加载到模型架构中。如果为 False,所有权重将被随机初始化。

示例

# Load a Gemma generative task.
causal_lm = keras_hub.models.CausalLM.from_preset(
    "gemma_2b_en",
)

# Load a Bert classification task.
model = keras_hub.models.TextClassifier.from_preset(
    "bert_base_en",
    num_classes=2,
)
预设 参数 描述
xception_41_imagenet 20.86M 41 层 Xception 模型,在 ImageNet 1k 上预训练。

backbone 属性

keras_hub.models.XceptionImageClassifier.backbone

一个具有核心架构的 keras_hub.models.Backbone 模型。


preprocessor 属性

keras_hub.models.XceptionImageClassifier.preprocessor

用于预处理输入的 keras_hub.models.Preprocessor 层。