第三部分PaddleX模型集_3.1 图像分类
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) ...
最新文章
- Java Date类
- 如何用Python从本地将一个文件备份到Google Drive
- 字符串常量池StringTable 你真的了解么
- snake4444勒索病毒成功处理教程方法工具达康解密金蝶/用友数据库sql后缀snake4444...
- 判断输入的IP地址是否合法
- 直击行业痛点!端侧模型部署的成熟解决方案有了!
- 【Socket】关于socket长连接的心跳包
- 蚂蚁集团与CCF达成合作成立基金,支持35岁以下青年学者
- VSCode打开终端的快捷键
- 英语对话关于计算机,有关电脑的一些英语对话
- 米家扫地机器人按键没反应_好到没理由不推荐 米家扫地机器人评测
- P2168 [NOI2015]荷马史诗
- 【算法】【感悟】LCP 03. 机器人大冒险
- 如何计算近似纳什均衡_网络与市场中的计算思维-5.博弈论的基本概念
- 面向金融场景的 Vue.js 移动端组件库 mand-mobile
- arduino声音传感器与二极管_Arduino--声音传感器(九)
- STF开源框架之minicap工具
- HTML实体的编码和解码
- PJBLOG 设置技巧
- python中定义函数完成判断某一个年份是否是闰年?
热门文章
- 戴尔G7音频驱动问题
- 使用expdp和impdp导出导入本地oracle数据.dmp文件
- Android应用内安装apk包
- eclipse新建javaweb项目——javaweb系列(一)
- 【技巧】Excel序号设置自动更新
- 免费的AI线稿图片上色工具+黑白图片上色网站合集(2021年实测可用)
- 读《曾经,我们爱过一个世纪》有感(附原文)
- Android Wifi连接 (PEAP)
- 数据治理:数据质量管理策略!
- 巴旦木即将成为农业的下一个“风口”河南巴旦木生态农业:值得期待