EfficientNetBackbone 模型

[源代码]

EfficientNetBackbone 类

keras_hub.models.EfficientNetBackbone(
    stackwise_width_coefficients=None,
    stackwise_depth_coefficients=None,
    stackwise_kernel_sizes,
    stackwise_num_repeats,
    stackwise_input_filters,
    stackwise_output_filters,
    stackwise_expansion_ratios,
    stackwise_squeeze_and_excite_ratios,
    stackwise_strides,
    stackwise_block_types,
    stackwise_force_input_filters=[0, 0, 0, 0, 0, 0, 0],
    stackwise_nores_option=[False, False, False, False, False, False, False],
    dropout=0.2,
    depth_divisor=8,
    min_depth=8,
    input_shape=(None, None, 3),
    data_format="channels_last",
    activation="swish",
    include_stem_padding=True,
    use_depth_divisor_as_min_depth=False,
    cap_round_filter_decrease=False,
    stem_conv_padding="valid",
    batch_norm_momentum=0.9,
    batch_norm_epsilon=1e-05,
    projection_activation=None,
    num_features=1280,
    **kwargs
)

一个 EfficientNet 主干模型。

此类封装了 EfficientNetV1 和 EfficientNetV2 的架构。EfficientNetV2 使用 Fused-MBConv 模块和神经架构搜索 (NAS) 来显著减小模型大小，同时仍然提高整体模型质量。

参考文献

• [EfficientNet：重新思考卷积神经网络的模型缩放] (https://arxiv.org/abs/1905.11946) (ICML 2019)
• [基于原始 keras.applications EfficientNet] (https://github.com/keras-team/keras/blob/master/keras/applications/efficientnet.py)
• [EfficientNetV2：更小的模型和更快的训练] (https://arxiv.org/abs/2104.00298) (ICML 2021)

参数

• stackwise_width_coefficients：list[float]，网络宽度的缩放系数。如果是单个浮点数，则假定此值适用于所有堆栈。
• stackwise_depth_coefficients：list[float]，网络深度的缩放系数。如果是单个浮点数，则假定此值适用于所有堆栈。
• stackwise_kernel_sizes：整数列表，每个卷积块使用的内核大小。
• stackwise_num_repeats：整数列表，每个卷积块重复的次数。
• stackwise_input_filters：整数列表，每个卷积块的输入滤波器数量。
• stackwise_output_filters：整数列表，卷积块模型中每个堆栈的输出滤波器数量。
• stackwise_expansion_ratios：浮点数列表，传递给 Squeeze-and-Excitation 模块的扩展比。
• stackwise_strides：整数列表，每个卷积块的堆栈步长。
• stackwise_squeeze_and_excite_ratios：整数列表，传递给 Squeeze-and-Excitation 模块的 Squeeze-and-Excitation 比。
• stackwise_block_types：字符串列表。每个值是 'v1'、'unfused' 或 'fused'，具体取决于所需的块。'v1' 使用原始 EfficientNet 块。FusedMBConvBlock 类似于 MBConvBlock，但它不使用深度可分离卷积和 1x1 输出卷积块，而是使用单个 3x3 卷积块。
• stackwise_force_input_filters：整数列表，如果 > 0 则覆盖 stackwise_input_filters。主要用于以与堆栈输入滤波器不同的方式参数化词干滤波器（通常是 stackwise_input_filters[0]）。
• stackwise_nores_option：布尔值列表，用于切换是否不使用残差连接。如果为 False（默认），堆栈将使用残差连接，否则不使用。
• dropout：浮点数，跳过连接处的 dropout 率。默认值设置为 0.2。
• depth_divisor：整数，网络宽度的单位。默认值设置为 8。
• min_depth：整数，最小滤波器数量。如果 use_depth_divisor_as_min_depth 设置为 True，则可以为 None 并被忽略。
• activation：每个卷积层之间使用的激活函数。
• input_shape：可选的形状元组，它应该只有 3 个输入通道。

• __ include_initial_padding__：布尔值，是否包含初始零填充（根据 v1）。
• use_depth_divisor_as_min_depth：布尔值，是否使用 depth_divisor 作为最小深度而不是 min_depth（根据 v1）。
• cap_round_filter_decrease：布尔值，是否限制舍入过程可能产生的滤波器数量的最大减少量（根据 v1）。
• stem_conv_padding：字符串，可以是 'same' 或 'valid'。词干的填充。
• batch_norm_momentum：浮点数，批归一化层中移动平均计算的动量。
• batch_norm_epsilon：浮点数，批归一化计算的 epsilon。在计算中用作分母，以防止除以 0 错误。

示例

# You can customize the EfficientNet architecture:
model = EfficientNetBackbone(
    stackwise_kernel_sizes=[3, 3, 3, 3, 3, 3],
    stackwise_num_repeats=[2, 4, 4, 6, 9, 15],
    stackwise_input_filters=[24, 24, 48, 64, 128, 160],
    stackwise_output_filters=[24, 48, 64, 128, 160, 256],
    stackwise_expansion_ratios=[1, 4, 4, 4, 6, 6],
    stackwise_squeeze_and_excite_ratios=[0.0, 0.0, 0, 0.25, 0.25, 0.25],
    stackwise_strides=[1, 2, 2, 2, 1, 2],
    stackwise_block_types=[["fused"] * 3 + ["unfused"] * 3],
    width_coefficient=1.0,
    depth_coefficient=1.0,
)
images = np.ones((1, 256, 256, 3))
outputs = efficientnet.predict(images)

[源代码]

from_preset 方法

EfficientNetBackbone.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（如 keras_hub.models.Backbone.from_preset()）调用，也可以从模型类（如 keras_hub.models.GemmaBackbone.from_preset()）调用。如果从基类调用，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,
)