MobileNetImageClassifier 类keras_hub.models.MobileNetImageClassifier(
backbone, num_classes, num_features=1024, preprocessor=None, head_dtype=None, **kwargs
)
所有图像分类任务的基类。
ImageClassifier 任务包装一个 keras_hub.models.Backbone 和一个 keras_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，用于控制预测输出类的数量。
要使用 fit() 进行微调，请传递一个包含 (x, y) 标签元组的数据集，其中 x 是字符串，y 是 [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
keras_hub.models.Backbone 实例或一个 keras.Model。None、keras_hub.models.Preprocessor 实例、keras.Layer 实例或可调用对象。如果为 None，则不对输入应用预处理。"avg" 或 "max"。要应用于主干网络输出的池化类型。默认为平均池化。None、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"。None、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)
from_preset 方法MobileNetImageClassifier.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：
'bert_base_en''kaggle://user/bert/keras/bert_base_en''hf://user/bert_base_en''./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两种方式调用。可以从任务特定的基类调用，例如 keras_hub.models.CausalLM.from_preset()，也可以从模型类调用，例如 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进行推断。
参数
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 |
|---|---|---|
| mobilenet_v3_small_050_imagenet | 278.78K | 在 224x224 分辨率的 ImageNet 1k 数据集上预训练的小型 Mobilenet V3 模型。具有一半通道乘数。 |
| mobilenet_v3_small_100_imagenet | 939.12K | 在 224x224 分辨率的 ImageNet 1k 数据集上预训练的小型 Mobilenet V3 模型。具有基线通道乘数。 |
| mobilenet_v3_large_100_imagenet | 3.00M | 在 224x224 分辨率的 ImageNet 1k 数据集上预训练的大型 Mobilenet V3 模型。具有基线通道乘数。 |
| mobilenet_v3_large_100_imagenet_21k | 3.00M | 在 224x224 分辨率的 ImageNet 21k 数据集上预训练的大型 Mobilenet V3 模型。具有基线通道乘数。 |
backbone 属性keras_hub.models.MobileNetImageClassifier.backbone
一个具有核心架构的 keras_hub.models.Backbone 模型。
preprocessor 属性keras_hub.models.MobileNetImageClassifier.preprocessor
用于预处理输入的 keras_hub.models.Preprocessor 层。