이 페이지에서는 이미지 관련 작업용 TF2 SavedModel에서 Reusable SavedModel API를 구현하는 방법을 설명합니다. (이는 현재 지원 중단된 TF1 Hub 형식의 이미지에 대한 일반적인 서명을 대체합니다.)
이미지 특성 벡터
사용법 요약
이미지 특성 벡터는 전체 이미지를 나타내는 밀집 1-D 텐서로, 일반적으로 소비자 모델의 단순 피드 포워드 분류자에서 사용됩니다. (기존 CNN의 경우, 공간 범위가 풀링되거나 평평해진 후, 분류가 완료되기 전 병목 상태의 값입니다. 아래 이미지 분류를 참조하세요.)
이미지 특성 추출을 위한 Reusable SavedModel에는 이미지 배치를 특성 벡터 배치에 매핑하는 루트 객체에 대한 __call__ 메서드가 있습니다. 다음과 같이 사용할 수 있습니다.
obj = hub.load("path/to/model") # That's tf.saved_model.load() after download.
images = ... # A batch of images with shape [batch_size, height, width, 3].
features = obj(images) # A batch with shape [batch_size, num_features].
Keras에서는 다음에 해당합니다.
features = hub.KerasLayer("path/to/model")(images)
입력은 이미지 입력에 대한 일반적인 규칙을 따릅니다. 모델 설명서는 입력의 height와 width에 대한 허용 범위를 지정합니다.
출력은 dtype float32 및 형상 [batch_size, num_features]의 단일 텐서입니다. batch_size는 입력에서와 동일합니다. num_features는 입력 크기와 무관한 모듈별 상수입니다.
API 세부 정보
Reusable SavedModel API는 또한 obj.variables(예: 즉시 로딩하지 않을 때 초기화를 위해)의 목록을 제공합니다.
미세 조정을 지원하는 모델은 obj.trainable_variables 목록을 제공합니다. 훈련 모드에서 실행하려면 training=True를 전달해야 할 수 있습니다(예: 드롭아웃). 일부 모델에서는 선택적 인수가 하이퍼 매개변수를 재정의할 수 있습니다(예: 드롭아웃 비율, 모델 설명서에 설명됨). 모델은 obj.regularization_losses 목록을 제공할 수도 있습니다. 자세한 내용은 Reusable SavedModel API를 참조하세요.
Keras에서는 hub.KerasLayer에서 처리합니다. trainable=True로 초기화하여 미세 조정을 활성화하고, arguments=dict(some_hparam=some_value, ...)를 사용합니다(hparam 재정의가 적용되는 드문 경우).
메모
출력 특성에 드롭아웃을 적용하거나 적용하지 않는 것은 모델 소비자에게 맡겨야 합니다. SavedModel 자체는 실제 출력에서 드롭아웃을 수행해서는 안 됩니다(다른 곳에서 내부적으로 드롭아웃을 사용하는 경우에도).
예
이미지 특성 벡터용 Reusable SavedModel은 다음에서 사용됩니다.
- Colab 튜토리얼 이미지 분류자 다시 훈련하기
- 명령 줄 도구 make_image_classifier
이미지 분류
사용법 요약
이미지 분류는 *모듈 게시자가 선택한 * 분류 체계의 등급(class)에서 이미지의 픽셀을 멤버십에 대한 선형 점수(logit)에 매핑합니다. 이를 통해 모델 소비자는 게시자 모듈에서 학습한 특정 분류에서 결론을 도출할 수 있습니다. (새로운 등급의 세트를 사용한 이미지 분류의 경우, 대신 새 분류자로 이미지 특성 벡터 모델을 재사용하는 것이 일반적입니다.)
이미지 분류를 위한 Reusable SavedModel에는 이미지 배치를 로짓 배치에 매핑하는 루트 객체에 대한 __call__ 메서드가 있습니다. 다음과 같이 사용할 수 있습니다.
obj = hub.load("path/to/model") # That's tf.saved_model.load() after download.
images = ... # A batch of images with shape [batch_size, height, width, 3].
logits = obj(images) # A batch with shape [batch_size, num_classes].
Keras에서는 다음에 해당합니다.
logits = hub.KerasLayer("path/to/model")(images)
입력은 이미지 입력에 대한 일반적인 규칙을 따릅니다. 모델 설명서는 입력의 height와 width에 대한 허용 범위를 지정합니다.
출력 logits는 dtype float32 및 형상 [batch_size, num_classes]의 단일 텐서입니다. batch_size는 입력에서와 동일합니다. num_classes는 분류에서 등급의 수이며 모델별 상수입니다.
logits[i, c] 값은 인덱스가 c인 등급에서 예제 i의 멤버십을 예측하는 점수입니다.
이러한 점수가 소프트맥스(상호 배타적인 등급의 경우), 시그모이드(직교 등급의 경우) 또는 다른 것과 함께 사용되는지 여부는 기본 분류에 따라 다르며, 모듈 설명서에서 설명되어 있습니다. 등급 인덱스의 정의를 참조하세요.
API 세부 정보
Reusable SavedModel API는 또한 obj.variables(예: 즉시 로딩하지 않을 때 초기화를 위해)의 목록을 제공합니다.
미세 조정을 지원하는 모델은 obj.trainable_variables 목록을 제공합니다. 훈련 모드에서 실행하려면 training=True를 전달해야 할 수 있습니다(예: 드롭아웃). 일부 모델에서는 선택적 인수가 하이퍼 매개변수를 재정의할 수 있습니다(예: 드롭아웃 비율, 모델 설명서에 설명됨). 모델은 obj.regularization_losses 목록을 제공할 수도 있습니다. 자세한 내용은 Reusable SavedModel API를 참조하세요.
Keras에서는 hub.KerasLayer에서 처리합니다. trainable=True로 초기화하여 미세 조정을 활성화하고, arguments=dict(some_hparam=some_value, ...)를 사용합니다(hparam 재정의가 적용되는 드문 경우).
이미지 입력
이미지 입력은 모든 유형의 이미지 모델에 공통입니다.
이미지 배치를 입력으로 사용하는 모델은 이미지를 dtype float32 및 형상 [batch_size, height, width, 3]의 밀집 4-D 텐서로 받아들입니다. 텐서의 요소는 [0, 1] 범위로 정규화된 픽셀의 RGB 색상 값입니다. 이 값은 tf.image.decode_*(), 그리고 이어서 tf.image.convert_image_dtype(..., tf.float32)에서 얻어집니다.
모델은 모든 batch_size를 허용합니다. 모델 설명서에서 height와 width의 허용 범위를 지정합니다. 마지막 차원은 3개의 RGB 채널로 고정됩니다.
모델은 전체적으로 Tensor의 channels_last (또는 NHWC) 레이아웃을 사용하고 TensorFlow의 그래프 옵티마이저에서 channels_first (또는 필요한 경우 NCHW)를 재작성하는 것이 좋습니다.