第三部分PaddleX模型集

文章目录

ResNet50类
- train 训练接口
- evaluate 评估接口
- predict 预测接口
其它分类器类
- ResNet18
- ResNet34
- ResNet50
- ResNet50_vd
- ResNet50_vd_ssld
- ResNet101
- ResNet101_vd
- ResNet101_vd_ssld
- DarkNet53
- MobileNetV1
- MobileNetV2
- MobileNetV3_small
- MobileNetV3_small_ssld
- MobileNetV3_large
- MobileNetV3_large_ssld
- Xception65
- Xception71
- ShuffleNetV2
- DenseNet121
- DenseNet161
- DenseNet201
- HRNet_W18

ResNet50类

paddlex.cls.ResNet50(num_classes=1000)

构建ResNet50分类器，并实现其训练、评估和预测。

参数

num_classes (int): 类别数。默认为1000。

train 训练接口

train(self, num_epochs, train_dataset, train_batch_size=64, eval_dataset=None, save_interval_epochs=1, log_interval_steps=2, save_dir='output', pretrain_weights='IMAGENET', optimizer=None, learning_rate=0.025, warmup_steps=0, warmup_start_lr=0.0, lr_decay_epochs=[30, 60, 90], lr_decay_gamma=0.1, use_vdl=False, sensitivities_file=None, eval_metric_loss=0.05, early_stop=False, early_stop_patience=5, resume_checkpoint=None)

参数

num_epochs (int): 训练迭代轮数。

train_dataset (paddlex.datasets): 训练数据读取器。

train_batch_size (int): 训练数据batch大小。同时作为验证数据batch大小。默认值为64。

eval_dataset (paddlex.datasets): 验证数据读取器。

save_interval_epochs (int): 模型保存间隔（单位：迭代轮数）。默认为1。

log_interval_steps (int): 训练日志输出间隔（单位：迭代步数）。默认为2。

save_dir (str): 模型保存路径。

pretrain_weights (str): 若指定为路径时，则加载路径下预训练模型；若为字符串’IMAGENET’，则自动下载在ImageNet图片数据上预训练的模型权重；若为None，则不使用预训练模型。默认为’IMAGENET’。

optimizer (paddle.fluid.optimizer): 优化器。当该参数为None时，使用默认优化器：fluid.layers.piecewise_decay衰减策略，fluid.optimizer.Momentum优化方法。

learning_rate (float): 默认优化器的初始学习率。默认为0.025。

warmup_steps (int): 默认优化器的warmup步数，学习率将在设定的步数内，从warmup_start_lr线性增长至设定的learning_rate，默认为0。

warmup_start_lr(float): 默认优化器的warmup起始学习率，默认为0.0。

lr_decay_epochs (list): 默认优化器的学习率衰减轮数。默认为[30, 60, 90]。

lr_decay_gamma (float): 默认优化器的学习率衰减率。默认为0.1。

use_vdl (bool): 是否使用VisualDL进行可视化。默认值为False。

sensitivities_file (str): 若指定为路径时，则加载路径下敏感度信息进行裁剪；若为字符串’DEFAULT’，则自动下载在ImageNet图片数据上获得的敏感度信息进行裁剪；若为None，则不进行裁剪。默认为None。

eval_metric_loss (float): 可容忍的精度损失。默认为0.05。

early_stop (bool): 是否使用提前终止训练策略。默认值为False。

early_stop_patience (int): 当使用提前终止训练策略时，如果验证集精度在early_stop_patience个epoch内连续下降或持平，则终止训练。默认值为5。

resume_checkpoint (str): 恢复训练时指定上次训练保存的模型路径。若为None，则不会恢复训练。默认值为None。

evaluate 评估接口

evaluate(self, eval_dataset, batch_size=1, epoch_id=None, return_details=False)

参数

eval_dataset (paddlex.datasets): 验证数据读取器。

batch_size (int): 验证数据批大小。默认为1。

epoch_id (int): 当前评估模型所在的训练轮数。

return_details (bool): 是否返回详细信息，默认False。

返回值

dict: 当return_details为False时，返回dict, 包含关键字：’acc1’、’acc5’，分别表示最大值的accuracy、前5个最大值的accuracy。

tuple (metrics, eval_details): 当return_details为True时，增加返回dict，包含关键字：’true_labels’、’pred_scores’，分别代表真实类别id、每个类别的预测得分。

predict 预测接口

predict(self, img_file, transforms=None, topk=5)

分类模型预测接口。需要注意的是，只有在训练过程中定义了eval_dataset，模型在保存时才会将预测时的图像处理流程保存在ResNet50.test_transforms和ResNet50.eval_transforms中。如未在训练时定义eval_dataset，那在调用预测predict接口时，用户需要再重新定义test_transforms传入给predict接口。

参数

img_file (str): 预测图像路径。

transforms (paddlex.cls.transforms): 数据预处理操作。

topk (int): 预测时前k个最大值。

返回值

list: 其中元素均为字典。字典的关键字为’category_id’、’category’、’score’，分别对应预测类别id、预测类别标签、预测得分。

其它分类器类

PaddleX提供了共计22种分类器，所有分类器均提供同ResNet50相同的训练train，评估evaluate和预测predict接口，各模型效果可参考模型库。

ResNet18

paddlex.cls.ResNet18(num_classes=1000)

ResNet34

paddlex.cls.ResNet34(num_classes=1000)

ResNet50

paddlex.cls.ResNet50(num_classes=1000)

ResNet50_vd

paddlex.cls.ResNet50_vd(num_classes=1000)

ResNet50_vd_ssld

paddlex.cls.ResNet50_vd_ssld(num_classes=1000)

ResNet101

paddlex.cls.ResNet101(num_classes=1000)

ResNet101_vd

paddlex.cls.ResNet101_vdnum_classes=1000)

ResNet101_vd_ssld

paddlex.cls.ResNet101_vd_ssld(num_classes=1000)

DarkNet53

paddlex.cls.DarkNet53(num_classes=1000)

MobileNetV1

paddlex.cls.MobileNetV1(num_classes=1000)

MobileNetV2

paddlex.cls.MobileNetV2(num_classes=1000)

MobileNetV3_small

paddlex.cls.MobileNetV3_small(num_classes=1000)

MobileNetV3_small_ssld

paddlex.cls.MobileNetV3_small_ssld(num_classes=1000)

MobileNetV3_large

paddlex.cls.MobileNetV3_large(num_classes=1000)

MobileNetV3_large_ssld

paddlex.cls.MobileNetV3_large_ssld(num_classes=1000)

Xception65

paddlex.cls.Xception65(num_classes=1000)

Xception71

paddlex.cls.Xception71(num_classes=1000)

ShuffleNetV2

paddlex.cls.ShuffleNetV2(num_classes=1000)

DenseNet121

paddlex.cls.DenseNet121(num_classes=1000)

DenseNet161

paddlex.cls.DenseNet161(num_classes=1000)

DenseNet201

paddlex.cls.DenseNet201(num_classes=1000)

HRNet_W18

paddlex.cls.HRNet_W18(num_classes=1000)

第三部分PaddleX模型集_3.1 图像分类相关推荐

第三部分PaddleX模型集_3.2 目标检测
文章目录 1. YOLOv3类 1.1 train 训练接口 1.2 evaluate 评估接口 1.3 predict 预测接口 2. FasterRCNN类 2.1 train 训练接口 2.2 ...
从零开始学习jQuery (三) 管理jQuery包装集
本系列文章导航从零开始学习jQuery (一) 开天辟地入门篇从零开始学习jQuery (二) 万能的选择器从零开始学习jQuery (三) 管理jQuery包装集从零开始学习jQuery ( ...
深度学习笔记第五门课序列模型第三周序列模型和注意力机制
本文是吴恩达老师的深度学习课程[1]笔记部分. 作者:黄海广[2] 主要编写人员:黄海广.林兴木(第四所有底稿,第五课第一二周,第三周前三节).祝彦森:(第三课所有底稿).贺志尧(第五课第三周底稿). ...
matlab产生er随机图,ER随机图模型 | 集智百科
原标题:ER随机图模型 | 集智百科 "集智百科精选"是一个长期专栏,持续为大家推送复杂性科学相关的基本概念和资源信息.作为集智俱乐部的开源科学项目,集智百科希望打造复杂性科学领域 ...
吴恩达deeplearning.ai系列课程笔记+编程作业(15)序列模型(Sequence Models)-第三周序列模型和注意力机制
第五门课序列模型(Sequence Models) 第三周序列模型和注意力机制(Sequence models & Attention mechanism) 文章目录第五门课序列模型( ...
三种Cross-lingual模型 (XLM, XLM-R, mBART)详解
本文将详述三种Cross-lingual模型,按照其在Arxiv上发表论文的时间,分别是XLM(2019/1/22).XLM-R(2019/11/5).mBART(2020/1/22),有意思的是这三 ...
第三周序列模型和注意力机制（Sequence models Attention mechanism）
第三周序列模型和注意力机制(Sequence models & Attention mechanism) 文章目录 **第三周序列模型和注意力机制(**Sequence models &a ...
基于三种机器学习模型的岩爆类型预测及Python实现
写在前面由于代码较多,本文仅展示部分关键代码,需要代码文件和数据可以留言然而,由于当时注释不及时,且时间久远,有些细节笔者也记不清了,代码仅供参考 0 引言岩爆是深部岩土工程施工过程中常见的一种 ...
机器学习（三）树模型
机器学习(一)LR 机器学习(二)SVM 机器学习(三)树模型机器学习(四)聚类机器学习(三)树模型目录二.树模型 1.ID3 2.C4.5 3.CART树 (1)算法步骤 (2)举例 (3) ...

第三部分PaddleX模型集_3.1 图像分类