EfficientNet

概述

EfficientNet 模型由 Mingxing Tan 和 Quoc V. Le 在 EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks 这篇论文中提出。EfficientNets 是一系列图像分类模型，它们实现了最先进的精度，但比以前的模型小一个数量级，速度也快得多。

论文摘要如下：

卷积神经网络 (ConvNets) 通常在固定的资源预算下开发，然后在资源更多时进行扩展以获得更好的精度。在本文中，我们系统地研究了模型缩放，并发现仔细平衡网络深度、宽度和分辨率可以带来更好的性能。基于这一观察，我们提出了一种新的缩放方法，该方法使用简单但高效的复合系数统一缩放深度/宽度/分辨率的所有维度。我们展示了这种方法在扩展 MobileNets 和 ResNet 上的有效性。为了更进一步，我们使用神经架构搜索来设计新的基线网络，并对其进行扩展以获得一系列模型，称为 EfficientNets，这些模型比以前的 ConvNets 实现了更高的精度和效率。特别是，我们的 EfficientNet-B7 在 ImageNet 上实现了最先进的 84.3% top-1 精度，同时在推理方面比现有的最佳 ConvNet 小 8.4 倍，速度快 6.1 倍。我们的 EfficientNets 也具有良好的迁移性，并在 CIFAR-100 (91.7%) 、Flowers (98.8%) 和其他 3 个迁移学习数据集上实现了最先进的精度，参数数量减少了一个数量级。

此模型由 adirik 贡献。原始代码可以在这里找到。

EfficientNetConfig

class transformers.EfficientNetConfig

< 源代码 >

( num_channels: int = 3 image_size: int = 600 width_coefficient: float = 2.0 depth_coefficient: float = 3.1 depth_divisor: int = 8 kernel_sizes: typing.List[int] = [3, 3, 5, 3, 5, 5, 3] in_channels: typing.List[int] = [32, 16, 24, 40, 80, 112, 192] out_channels: typing.List[int] = [16, 24, 40, 80, 112, 192, 320] depthwise_padding: typing.List[int] = [] strides: typing.List[int] = [1, 2, 2, 2, 1, 2, 1] num_block_repeats: typing.List[int] = [1, 2, 2, 3, 3, 4, 1] expand_ratios: typing.List[int] = [1, 6, 6, 6, 6, 6, 6] squeeze_expansion_ratio: float = 0.25 hidden_act: str = 'swish' hidden_dim: int = 2560 pooling_type: str = 'mean' initializer_range: float = 0.02 batch_norm_eps: float = 0.001 batch_norm_momentum: float = 0.99 dropout_rate: float = 0.5 drop_connect_rate: float = 0.2 **kwargs )

参数

num_channels (int, optional, 默认为 3) — 输入通道的数量。
image_size (int, optional, 默认为 600) — 输入图像尺寸。
width_coefficient (float, optional, 默认为 2.0) — 每个阶段网络宽度的缩放系数。
depth_coefficient (float, optional, 默认为 3.1) — 每个阶段网络深度的缩放系数。
depth_divisor int, optional, 默认为 8) — 网络宽度的单位。
kernel_sizes (List[int], optional, 默认为 [3, 3, 5, 3, 5, 5, 3]) — 每个块中使用的内核大小列表。
in_channels (List[int], optional, 默认为 [32, 16, 24, 40, 80, 112, 192]) — 用于卷积层的每个块的输入通道大小列表。
out_channels (List[int], 可选, 默认为 [16, 24, 40, 80, 112, 192, 320]) — 卷积层中每个块要使用的输出通道大小列表。
depthwise_padding (List[int], 可选, 默认为 []) — 具有方形填充的块索引列表。
strides (List[int], 可选, 默认为 [1, 2, 2, 2, 1, 2, 1]) — 卷积层中每个块要使用的步幅大小列表。
num_block_repeats (List[int], 可选, 默认为 [1, 2, 2, 3, 3, 4, 1]) — 每个块要重复的次数列表。
expand_ratios (List[int], 可选, 默认为 [1, 6, 6, 6, 6, 6, 6]) — 每个块的缩放系数列表。
squeeze_expansion_ratio (float, 可选, 默认为 0.25) — Squeeze expansion ratio（压缩扩展比率）。
hidden_act (str 或 function, 可选, 默认为 "silu") — 每个块中的非线性激活函数（函数或字符串）。如果是字符串，则支持 "gelu", "relu", "selu", “gelu_new”, “silu”和“mish”` 。
hiddem_dim (int, 可选, 默认为 1280) — 分类头之前的层的隐藏维度。
pooling_type (str 或 function, 可选, 默认为 "mean") — 在密集分类头之前应用的最终池化类型。可用选项为 ["mean", "max"]
initializer_range (float, 可选, 默认为 0.02) — 用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差。
batch_norm_eps (float, 可选, 默认为 1e-3) — 批量归一化层使用的 epsilon 值。
batch_norm_momentum (float, 可选, 默认为 0.99) — 批量归一化层使用的 momentum 值。
dropout_rate (float, 可选, 默认为 0.5) — 在最终分类器层之前应用的 dropout 比率。
drop_connect_rate (float, 可选, 默认为 0.2) — 跳跃连接的 dropout 率。

这是用于存储 EfficientNetModel 配置的配置类。它用于根据指定的参数实例化 EfficientNet 模型，定义模型架构。使用默认值实例化配置将产生与 EfficientNet google/efficientnet-b7 架构类似的配置。

配置对象继承自 PretrainedConfig，可用于控制模型输出。有关更多信息，请阅读 PretrainedConfig 中的文档。

示例

>>> from transformers import EfficientNetConfig, EfficientNetModel

>>> # Initializing a EfficientNet efficientnet-b7 style configuration
>>> configuration = EfficientNetConfig()

>>> # Initializing a model (with random weights) from the efficientnet-b7 style configuration
>>> model = EfficientNetModel(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config

EfficientNetImageProcessor

class transformers.EfficientNetImageProcessor

< source >

( do_resize: bool = True size: typing.Dict[str, int] = None resample: Resampling = 0 do_center_crop: bool = False crop_size: typing.Dict[str, int] = None rescale_factor: typing.Union[int, float] = 0.00392156862745098 rescale_offset: bool = False do_rescale: bool = True do_normalize: bool = True image_mean: typing.Union[float, typing.List[float], NoneType] = None image_std: typing.Union[float, typing.List[float], NoneType] = None include_top: bool = True **kwargs )

参数

do_resize (bool, 可选, 默认为 True) — 是否将图像的（高度，宽度）尺寸调整为指定的 size。可以被 preprocess 中的 do_resize 重写。
size (Dict[str, int] 可选, 默认为 {"height" -- 346, "width": 346}): resize 后图像的大小。可以被 preprocess 中的 size 重写。
resample (PILImageResampling filter, 可选, 默认为 0) — 如果调整图像大小，则使用的重采样过滤器。可以被 preprocess 中的 resample 重写。
do_center_crop (bool, 可选, 默认为 False) — 是否对图像进行中心裁剪。如果输入尺寸在任何边缘都小于 crop_size，则用 0 填充图像，然后进行中心裁剪。可以被 preprocess 中的 do_center_crop 重写。
crop_size (Dict[str, int], 可选, 默认为 {"height" -- 289, "width": 289}): 应用中心裁剪时所需的输出大小。可以被 preprocess 中的 crop_size 重写。
rescale_factor (int 或 float, 可选, 默认为 1/255) — 如果要重新缩放图像，则使用的缩放因子。可以被 preprocess 方法中的 rescale_factor 参数重写。
rescale_offset (bool, 可选, 默认为 False) — 是否将图像重新缩放到 [-scale_range, scale_range] 而不是 [0, scale_range] 之间。可以被 preprocess 方法中的 rescale_factor 参数重写。
do_rescale (bool, 可选, 默认为 True) — 是否按指定的比例 rescale_factor 重新缩放图像。可以被 preprocess 方法中的 do_rescale 参数重写。
do_normalize (bool, 可选, 默认为 True) — 是否对图像进行归一化。可以被 preprocess 方法中的 do_normalize 参数重写。
image_mean (float 或 List[float], 可选, 默认为 IMAGENET_STANDARD_MEAN) — 如果要归一化图像，则使用的均值。这是一个浮点数或浮点数列表，其长度是图像中通道数的长度。可以被 preprocess 方法中的 image_mean 参数重写。
image_std (float 或 List[float], 可选, 默认为 IMAGENET_STANDARD_STD) — 如果要归一化图像，则使用的标准差。这是一个浮点数或浮点数列表，其长度是图像中通道数的长度。可以被 preprocess 方法中的 image_std 参数重写。
include_top (bool, optional, defaults to True) — 是否再次缩放图像。如果输入用于图像分类，则应设置为 True。

构建 EfficientNet 图像处理器。

preprocess

< source >

( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']] do_resize: bool = None size: typing.Dict[str, int] = None resample = None do_center_crop: bool = None crop_size: typing.Dict[str, int] = None do_rescale: bool = None rescale_factor: float = None rescale_offset: bool = None do_normalize: bool = None image_mean: typing.Union[float, typing.List[float], NoneType] = None image_std: typing.Union[float, typing.List[float], NoneType] = None include_top: bool = None return_tensors: typing.Union[str, transformers.utils.generic.TensorType, NoneType] = None data_format: ChannelDimension = <ChannelDimension.FIRST: 'channels_first'> input_data_format: typing.Union[str, transformers.image_utils.ChannelDimension, NoneType] = None )

参数

images (ImageInput) — 要预处理的图像。期望是像素值范围为 0 到 255 的单个或一批图像。如果传入的图像像素值在 0 到 1 之间，请设置 do_rescale=False。
do_resize (bool, optional, defaults to self.do_resize) — 是否调整图像大小。
size (Dict[str, int], optional, defaults to self.size) — resize 之后图像的尺寸。
resample (PILImageResampling, optional, defaults to self.resample) — 如果调整图像大小，则使用的 PILImageResampling 过滤器。仅当 do_resize 设置为 True 时才有效。
do_center_crop (bool, optional, defaults to self.do_center_crop) — 是否对图像进行中心裁剪。
crop_size (Dict[str, int], optional, defaults to self.crop_size) — 中心裁剪后图像的尺寸。如果图像的某一边小于 crop_size，则将用零填充，然后再裁剪。
do_rescale (bool, optional, defaults to self.do_rescale) — 是否将图像值重新缩放到 [0 - 1] 之间。
rescale_factor (float, optional, defaults to self.rescale_factor) — 如果 do_rescale 设置为 True，则通过此缩放因子来缩放图像。
rescale_offset (bool, optional, defaults to self.rescale_offset) — 是否将图像重新缩放到 [-scale_range, scale_range] 而不是 [0, scale_range] 之间。
do_normalize (bool, optional, defaults to self.do_normalize) — 是否对图像进行归一化。
image_mean (float or List[float], optional, defaults to self.image_mean) — 图像均值。
image_std (float or List[float], optional, defaults to self.image_std) — 图像标准差。
include_top (bool, optional, defaults to self.include_top) — 如果设置为 True，则再次缩放图像以进行图像分类。
return_tensors (str or TensorType, optional) — 要返回的张量类型。可以是以下之一：
- None: 返回 np.ndarray 列表。
- TensorType.TENSORFLOW 或 'tf': 返回 tf.Tensor 类型的批次。
- TensorType.PYTORCH 或 'pt': 返回 torch.Tensor 类型的批次。
- TensorType.NUMPY 或 'np': 返回 np.ndarray 类型的批次。
- TensorType.JAX 或 'jax': 返回 jax.numpy.ndarray 类型的批次。
data_format (ChannelDimension or str, optional, defaults to ChannelDimension.FIRST) — 输出图像的通道维度格式。可以是以下之一：
- ChannelDimension.FIRST: 图像格式为 (num_channels, height, width)。
- ChannelDimension.LAST: 图像格式为 (height, width, num_channels)。
input_data_format (ChannelDimension or str, optional) — 输入图像的通道维度格式。如果未设置，则从输入图像推断通道维度格式。可以是以下之一：
- "channels_first" 或 ChannelDimension.FIRST: 图像格式为 (num_channels, height, width)。
- "channels_last" 或 ChannelDimension.LAST: 图像格式为 (height, width, num_channels)。
- "none" 或 ChannelDimension.NONE: 图像格式为 (height, width)。

预处理一个图像或一批图像。

EfficientNetModel

class transformers.EfficientNetModel

< source >

( config: EfficientNetConfig )

参数

config (EfficientNetConfig) — 具有模型所有参数的模型配置类。使用配置文件初始化不会加载与模型关联的权重，仅加载配置。查看 from_pretrained() 方法来加载模型权重。

裸 EfficientNet 模型，输出原始特征，顶部没有任何特定的 head。此模型是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块，并参阅 PyTorch 文档以了解与常规用法和行为相关的所有事项。

forward

< source >

( pixel_values: FloatTensor = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttention 或 tuple(torch.FloatTensor)

参数

pixel_values (torch.FloatTensor of shape (batch_size, num_channels, height, width)) — 像素值。像素值可以使用 AutoImageProcessor 获得。有关详细信息，请参见 AutoImageProcessor.__call__()。
output_hidden_states (bool, optional) — 是否返回所有层的隐藏状态。有关更多详细信息，请参见返回张量下的 hidden_states。
return_dict (bool, optional) — 是否返回 ModelOutput 而不是普通元组。

返回值

transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttention 或 tuple(torch.FloatTensor)

一个 transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttention 或 torch.FloatTensor 元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），其中包含各种元素，具体取决于配置 (EfficientNetConfig) 和输入。

last_hidden_state (torch.FloatTensor of shape (batch_size, num_channels, height, width)) — 模型最后一层输出的隐藏状态序列。
pooler_output (torch.FloatTensor of shape (batch_size, hidden_size)) — 在空间维度上进行池化操作后的最后一层隐藏状态。
hidden_states (tuple(torch.FloatTensor), optional, returned when output_hidden_states=True is passed or when config.output_hidden_states=True) — torch.FloatTensor 元组（对于嵌入的输出，如果模型具有嵌入层，则为一个；对于每层的输出，则为一个），形状为 (batch_size, num_channels, height, width)。

模型在每一层输出的隐藏状态，加上可选的初始嵌入输出。

EfficientNetModel forward 方法，覆盖了 __call__ 特殊方法。

尽管 forward 传递的配方需要在该函数内定义，但之后应调用 Module 实例而不是此函数，因为前者负责运行预处理和后处理步骤，而后者会静默地忽略它们。

示例

>>> from transformers import AutoImageProcessor, EfficientNetModel
>>> import torch
>>> from datasets import load_dataset

>>> dataset = load_dataset("huggingface/cats-image", trust_remote_code=True)
>>> image = dataset["test"]["image"][0]

>>> image_processor = AutoImageProcessor.from_pretrained("google/efficientnet-b7")
>>> model = EfficientNetModel.from_pretrained("google/efficientnet-b7")

>>> inputs = image_processor(image, return_tensors="pt")

>>> with torch.no_grad():
...     outputs = model(**inputs)

>>> last_hidden_states = outputs.last_hidden_state
>>> list(last_hidden_states.shape)
[1, 768, 7, 7]

EfficientNetForImageClassification

class transformers.EfficientNetForImageClassification

< 源代码 >

( config )

参数

config (EfficientNetConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化不会加载与模型相关的权重，仅加载配置。请查看 from_pretrained() 方法来加载模型权重。

EfficientNet 模型，顶部带有一个图像分类头（池化特征之上的线性层），例如用于 ImageNet。

此模型是 PyTorch torch.nn.Module 子类。您可以像使用常规 PyTorch 模块一样使用它，并参阅 PyTorch 文档以了解所有与通用用法和行为相关的事项。

forward

< 源代码 >

( pixel_values: FloatTensor = None labels: typing.Optional[torch.LongTensor] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.modeling_outputs.ImageClassifierOutputWithNoAttention 或 tuple(torch.FloatTensor)

参数

pixel_values (torch.FloatTensor，形状为 (batch_size, num_channels, height, width)) — 像素值。像素值可以使用 AutoImageProcessor 获得。有关详细信息，请参阅 AutoImageProcessor.__call__()。
output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息，请参阅返回张量下的 hidden_states。
return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通的元组。
labels (torch.LongTensor，形状为 (batch_size,), 可选) — 用于计算图像分类/回归损失的标签。索引应在 [0, ..., config.num_labels - 1] 中。如果 config.num_labels == 1，则计算回归损失（均方误差损失），如果 config.num_labels > 1，则计算分类损失（交叉熵损失）。

返回值

transformers.modeling_outputs.ImageClassifierOutputWithNoAttention 或 tuple(torch.FloatTensor)

一个 transformers.modeling_outputs.ImageClassifierOutputWithNoAttention 或一个 torch.FloatTensor 元组（如果传递 return_dict=False 或当 config.return_dict=False 时），包含各种元素，具体取决于配置 (EfficientNetConfig) 和输入。

loss (torch.FloatTensor，形状为 (1,), 可选, 当提供 labels 时返回) — 分类（或回归，如果 config.num_labels==1）损失。
logits (torch.FloatTensor，形状为 (batch_size, config.num_labels)) — 分类（或回归，如果 config.num_labels==1）得分（在 SoftMax 之前）。
hidden_states (tuple(torch.FloatTensor), 可选, 当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 元组（如果模型具有嵌入层，则为嵌入层的输出 + 每个阶段的输出），形状为 (batch_size, num_channels, height, width)。模型在每个阶段输出的隐藏状态（也称为特征图）。

EfficientNetForImageClassification 的 forward 方法，覆盖了 __call__ 特殊方法。

示例

>>> from transformers import AutoImageProcessor, EfficientNetForImageClassification
>>> import torch
>>> from datasets import load_dataset

>>> dataset = load_dataset("huggingface/cats-image", trust_remote_code=True)
>>> image = dataset["test"]["image"][0]

>>> image_processor = AutoImageProcessor.from_pretrained("google/efficientnet-b7")
>>> model = EfficientNetForImageClassification.from_pretrained("google/efficientnet-b7")

>>> inputs = image_processor(image, return_tensors="pt")

>>> with torch.no_grad():
...     logits = model(**inputs).logits

>>> # model predicts one of the 1000 ImageNet classes
>>> predicted_label = logits.argmax(-1).item()
>>> print(model.config.id2label[predicted_label])
tabby, tabby cat

< > 在 GitHub 上更新

Transformers

EfficientNet

概述

EfficientNetConfig

class transformers.EfficientNetConfig

EfficientNetImageProcessor

class transformers.EfficientNetImageProcessor

preprocess

EfficientNetModel

class transformers.EfficientNetModel

forward

EfficientNetForImageClassification

class transformers.EfficientNetForImageClassification

forward