EfficientNet
概述
EfficientNet 模型由 Mingxing Tan 和 Quoc V. Le 在EfficientNet：重新思考卷积神经网络的模型缩放中提出。EfficientNets 是一系列图像分类模型，它们在实现最先进的准确率的同时，体积比之前的模型小一个数量级，速度也更快。
论文摘要如下：
卷积神经网络 (ConvNets) 通常是在固定的资源预算下开发的，如果可以利用更多资源，则可以将其扩展以获得更高的准确率。在本文中，我们系统地研究了模型缩放，并确定了仔细平衡网络深度、宽度和分辨率可以带来更好的性能。基于此观察结果，我们提出了一种新的缩放方法，该方法使用一个简单但非常有效的复合系数来均匀地缩放深度/宽度/分辨率的所有维度。我们在扩展 MobileNets 和 ResNet 上证明了该方法的有效性。为了更进一步，我们使用神经架构搜索来设计一个新的基线网络，并将其扩展以获得一系列模型，称为 EfficientNets，这些模型比以前的 ConvNets 实现了更好的准确率和效率。特别是，我们的 EfficientNet-B7 在 ImageNet 上实现了最先进的 84.3% 的 top-1 准确率，而其推理速度比现有的最佳 ConvNet 小 8.4 倍，快 6.1 倍。我们的 EfficientNets 也能很好地迁移，并在 CIFAR-100 (91.7%)、Flowers (98.8%) 和另外 3 个迁移学习数据集上实现了最先进的准确率，而参数数量减少了一个数量级。
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: List = [3, 3, 5, 3, 5, 5, 3] in_channels: List = [32, 16, 24, 40, 80, 112, 192] out_channels: List = [16, 24, 40, 80, 112, 192, 320] depthwise_padding: List = [] strides: List = [1, 2, 2, 2, 1, 2, 1] num_block_repeats: List = [1, 2, 2, 3, 3, 4, 1] expand_ratios: List = [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, 可选, 默认值为 3) — 输入通道数。 - image_size (
int, 可选, 默认值为 600) — 输入图像大小。 - width_coefficient (
float, 可选, 默认值为 2.0) — 每个阶段网络宽度的缩放系数。 - depth_coefficient (
float, 可选, 默认值为 3.1) — 每个阶段网络深度的缩放系数。 - depth_divisor
int，可选，默认为 8) — 网络宽度的单位。 - kernel_sizes (
List[int]，可选，默认为[3, 3, 5, 3, 5, 5, 3]) — 每个模块中使用的卷积核大小列表。 - in_channels (
List[int]，可选，默认为[32, 16, 24, 40, 80, 112, 192]) — 每个模块中卷积层使用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]) — 每个模块中卷积层使用的输出通道大小列表。 - depthwise_padding (
List[int]，可选，默认为[]) — 使用方形填充的模块索引列表。 - strides (
List[int]，可选，默认为[1, 2, 2, 2, 1, 2, 1]) — 每个模块中卷积层使用的步长大小列表。 - num_block_repeats (
List[int]，可选，默认为[1, 2, 2, 3, 3, 4, 1]) — 每个模块重复的次数列表。 - expand_ratios (
List[int]，可选，默认为[1, 6, 6, 6, 6, 6, 6]) — 每个模块的缩放系数列表。 - squeeze_expansion_ratio (
float，可选，默认为 0.25) — 压缩扩展比率。 - hidden_act (
str或function，可选，默认为"silu") — 每个模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”`。 - initializer_range (
float, 可选, 默认值为 0.02) — 初始化所有权重矩阵的截断正态初始化器的标准差。 - batch_norm_eps (
float, 可选, 默认值为 1e-3) — 批量归一化层使用的 epsilon。 - batch_norm_momentum (
float, 可选, 默认值为 0.99) — 批量归一化层使用的动量。 - dropout_rate (
float, 可选, 默认值为 0.5) — 在最终分类层之前应用的 dropout 率。 - drop_connect_rate (
float, 可选, 默认值为 0.2) — 跳跃连接的下降率。
这是配置类，用于存储 EfficientNetModel 的配置。 它用于根据指定的参数实例化一个 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 并且可以用来控制模型输出。 阅读来自 PretrainedConfig 的文档以获取更多信息。
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.configEfficientNetImageProcessor
class transformers.EfficientNetImageProcessor
< 源代码 >( do_resize: bool = True size: Dict = None resample: Resampling = 0 do_center_crop: bool = False crop_size: Dict = None rescale_factor: Union = 0.00392156862745098 rescale_offset: bool = False do_rescale: bool = True do_normalize: bool = True image_mean: Union = None image_std: Union = None include_top: bool = True **kwargs )
参数
- do_resize (
bool, 可选, 默认值为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覆盖。 - size (
Dict[str, int]可选，默认值{"height" -- 346, "width": 346}): 在resize之后图像的大小。可以被preprocess中的size覆盖。 - resample (
PILImageResampling过滤器，可选，默认值为 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覆盖。 - do_center_crop (
bool, 可选，默认值为False) — 是否对图像进行中心裁剪。如果输入尺寸在任何边上都小于crop_size，则图像将用 0 填充，然后进行中心裁剪。可以被preprocess中的do_center_crop覆盖。 - crop_size (
Dict[str, int], 可选，默认值为{"height" -- 289, "width": 289}): 应用中心裁剪时的目标输出尺寸。可以被preprocess中的crop_size覆盖。 - rescale_factor (
int或float, 可选，默认值为1/255) — 如果调整图像大小，则使用的缩放因子。可以被preprocess方法中的rescale_factor参数覆盖。 - rescale_offset (
bool, 可选，默认值为False) — 是否将图像重新缩放到 [-scale_range, scale_range] 而不是 [0, scale_range]。可以被preprocess方法中的rescale_factor参数覆盖。 - do_rescale (
bool, 可选，默认值为True) — 是否根据指定的缩放比例rescale_factor对图像进行重新缩放。可以被preprocess方法中的do_rescale参数覆盖。 - do_normalize (
bool, 可选，默认值为True) — 是否对图像进行归一化。可以被preprocess方法中的do_normalize参数覆盖。 - image_mean (
float或List[float], 可选，默认值为IMAGENET_STANDARD_MEAN) — 如果对图像进行归一化，则使用的平均值。这是一个浮点数或浮点数列表，其长度等于图像中通道的数量。可以被preprocess方法中的image_mean参数覆盖。 - image_std (
float或List[float], 可选，默认值为IMAGENET_STANDARD_STD) — 如果对图像进行归一化，则使用的标准差。这是一个浮点数或浮点数列表，其长度等于图像中通道的数量。可以被preprocess方法中的image_std参数覆盖。
EfficientNetModel
class transformers.EfficientNetModel
< 源代码 >( config: EfficientNetConfig )
参数
- config (EfficientNetConfig) — 模型配置类，包含模型的所有参数。使用配置文件初始化不会加载与模型关联的权重，只会加载配置。查看 from_pretrained() 方法以加载模型权重。
基础 EfficientNet 模型，输出原始特征，不包含任何特定的头部。此模型是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块，并参考 PyTorch 文档以了解与通用用法和行为相关的所有事项。
forward
< 源代码 >( pixel_values: FloatTensor = None output_hidden_states: Optional = None return_dict: Optional = None ) → transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttention 或 tuple(torch.FloatTensor)
参数
- pixel_values (
torch.FloatTensor形状为(batch_size, num_channels, height, width)) — 像素值。像素值可以通过 AutoImageProcessor 获取。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，请参阅返回张量中的hidden_states。 - return_dict (
bool, 可选) — 是否返回 ModelOutput 而不是普通元组。
返回
transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttention 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttention 或 torch.FloatTensor 的元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），包含根据配置 (EfficientNetConfig) 和输入而变化的各种元素。
-
last_hidden_state (
torch.FloatTensor形状为(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形状为(batch_size, hidden_size)) — 对空间维度进行池化操作后的最后一层隐藏状态。 -
hidden_states (
tuple(torch.FloatTensor), 可选, 当传递output_hidden_states=True或config.output_hidden_states=True时返回) —torch.FloatTensor的元组（一个用于嵌入层的输出，如果模型具有嵌入层，+ 一个用于每一层的输出），形状为(batch_size, num_channels, height, width)。模型在每一层输出处的隐藏状态，以及可选的初始嵌入输出。
The EfficientNetModel 正向方法，覆盖了 __call__ 特殊方法。
虽然正向传递的配方需要在此函数中定义，但之后应该调用 Module 实例，而不是这个，因为前者负责运行前处理和后处理步骤，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) — 模型配置类，包含模型的所有参数。使用配置文件初始化不会加载与模型关联的权重，只会加载配置。查看 from_pretrained() 方法以加载模型权重。
在顶部包含图像分类头的 EfficientNet 模型（在池化特征之上添加一个线性层），例如用于 ImageNet。
此模型是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块，并参考 PyTorch 文档以了解与通用用法和行为相关的所有事项。
forward
< 源代码 >( pixel_values: FloatTensor = None labels: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → transformers.modeling_outputs.ImageClassifierOutputWithNoAttention or 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 获取。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。有关详细信息，请参阅返回张量中的hidden_states。 - return_dict (
bool, 可选) — 是否返回 ModelOutput 而不是简单的元组。 - 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]内。如果config.num_labels == 1，则计算回归损失（均方损失），如果config.num_labels > 1，则计算分类损失（交叉熵）。
返回
transformers.modeling_outputs.ImageClassifierOutputWithNoAttention or tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.ImageClassifierOutputWithNoAttention 或 torch.FloatTensor 的元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），包括根据配置 (EfficientNetConfig) 和输入的不同元素。
- loss (
torch.FloatTensor形状为(1,), 可选, 当提供labels时返回) — 分类（或如果 config.num_labels==1 则为回归）损失。 - logits (
torch.FloatTensor形状为(batch_size, config.num_labels)) — 分类（或如果 config.num_labels==1 则为回归）分数（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的元组（一个用于嵌入的输出，如果模型具有嵌入层，再加上每个阶段的输出），形状为(batch_size, num_channels, height, width)。每个阶段输出的模型的隐藏状态（也称为特征图）。
EfficientNetForImageClassification 正向方法覆盖了 __call__ 特殊方法。
虽然正向传递的配方需要在此函数中定义，但之后应该调用 Module 实例，而不是这个，因为前者负责运行前处理和后处理步骤，而后者会静默地忽略它们。
示例
>>> from transformers import AutoImageProcessor, 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