使用TensorFlow從頭開(kāi)始實(shí)現(xiàn)這個(gè)架構(gòu)
在此之前,我已經(jīng)討論了MobileNet的體系結(jié)構(gòu)
接下來(lái),我們將看到如何使用TensorFlow從頭開(kāi)始實(shí)現(xiàn)這個(gè)架構(gòu)。
實(shí)現(xiàn):
MobileNet架構(gòu):
圖顯示了我們將在代碼中實(shí)現(xiàn)的MobileNet體系結(jié)構(gòu)。網(wǎng)絡(luò)從Conv、BatchNorm、ReLU塊開(kāi)始,并從其上跟隨多個(gè)MobileNet塊。它最終以一個(gè)平均池和一個(gè)完全連接的層結(jié)束,并激活Softmax。
我們看到該體系結(jié)構(gòu)有一個(gè)模式——Conv-dw/s1,后跟Conv/s1,依此類(lèi)推。這里dw是深度層和步幅數(shù),然后是Conv層和步幅數(shù)。這兩條線是MobileNet區(qū)塊。
“Filter Shape”列給出了核大小和要使用的濾波器數(shù)量的詳細(xì)信息。列的最后一個(gè)數(shù)字表示濾波器的數(shù)量。我們看到濾波器數(shù)量從32逐漸增加到64,從64逐漸增加到128,從128逐漸增加到256,以此類(lèi)推。
最后一列顯示了隨著我們深入網(wǎng)絡(luò),圖像的大小是如何變化的。輸入大小選擇為224*224像素,有3個(gè)通道,輸出層分類(lèi)為1000類(lèi)。
正常CNN架構(gòu)塊之間的差異(左),與MobileNet架構(gòu)(右):
構(gòu)建網(wǎng)絡(luò)時(shí)需要記住的幾件事:
所有層之后都是批量標(biāo)準(zhǔn)化和ReLU非線性。
與具有Conv2D層的普通CNN模型不同,MobileNet具有Depthwise Conv層,如圖所示。
工作流
從TensorFlow庫(kù)導(dǎo)入所有必要的層
為MobileNet塊編寫(xiě)輔助函數(shù)
構(gòu)建模型的主干
使用helper函數(shù)構(gòu)建模型的主要部分
導(dǎo)入圖層
import tensorflow as tf
# 導(dǎo)入所有必要的層
from tensorflow.keras.layers import Input, DepthwiseConv2D
from tensorflow.keras.layers import Conv2D, BatchNormalization
from tensorflow.keras.layers import ReLU, AvgPool2D, Flatten, Dense
from tensorflow.keras import Model
Keras已經(jīng)內(nèi)置了一個(gè)DepthwiseConv層,所以我們不需要從頭開(kāi)始創(chuàng)建它。
MobileNet塊
MobileNet塊的表示
要為MobileNet塊創(chuàng)建函數(shù),我們需要以下步驟:
函數(shù)的輸入:
a.張量(x)
b.卷積層的濾波器數(shù)量(濾波器)
c.卷積層的步長(zhǎng)(步長(zhǎng))
運(yùn)行:
a.應(yīng)用3x3分步卷積層,然后是批量標(biāo)準(zhǔn)化層和ReLU激活
b.應(yīng)用帶有1x1卷積層的濾波器,然后是批量標(biāo)準(zhǔn)化層和ReLU激活
返回張量(輸出)
這3個(gè)步驟在下面的代碼塊中實(shí)現(xiàn)。
# MobileNet block
def mobilnet_block (x, filters, strides):
x = DepthwiseConv2D(kernel_size = 3, strides = strides, padding = 'same')(x)
x = BatchNormalization()(x)
x = ReLU()(x)
x = Conv2D(filters = filters, kernel_size = 1, strides = 1)(x)
x = BatchNormalization()(x)
x = ReLU()(x)
return x
構(gòu)建模型的主干
如圖2所示,第一層為Conv/s2,濾波器形狀為3x32。
模型的主干
# 模型的主干
input = Input(shape = (224,224,3))
x = Conv2D(filters = 32, kernel_size = 3, strides = 2, padding = 'same')(input)
x = BatchNormalization()(x)
x = ReLU()(x)
模型的主要部分:
# 模型的主要部分
x = mobilnet_block(x, filters = 64, strides = 1)
x = mobilnet_block(x, filters = 128, strides = 2)
x = mobilnet_block(x, filters = 128, strides = 1)
x = mobilnet_block(x, filters = 256, strides = 2)
x = mobilnet_block(x, filters = 256, strides = 1)
x = mobilnet_block(x, filters = 512, strides = 2)
for _ in range (5):
x = mobilnet_block(x, filters = 512, strides = 1)
x = mobilnet_block(x, filters = 1024, strides = 2)
x = mobilnet_block(x, filters = 1024, strides = 1)
x = AvgPool2D (pool_size = 7, strides = 1, data_format='channels_first')(x)
output = Dense (units = 1000, activation = 'softmax')(x)
model = Model(inputs=input, outputs=output)
model.summary()
模型摘要的一個(gè)片段
發(fā)表評(píng)論
請(qǐng)輸入評(píng)論內(nèi)容...
請(qǐng)輸入評(píng)論/評(píng)論長(zhǎng)度6~500個(gè)字
最新活動(dòng)更多
-
10月31日立即下載>> 【限時(shí)免費(fèi)下載】TE暖通空調(diào)系統(tǒng)高效可靠的組件解決方案
-
即日-11.13立即報(bào)名>>> 【在線會(huì)議】多物理場(chǎng)仿真助跑新能源汽車(chē)
-
11月28日立即報(bào)名>>> 2024工程師系列—工業(yè)電子技術(shù)在線會(huì)議
-
12月19日立即報(bào)名>> 【線下會(huì)議】OFweek 2024(第九屆)物聯(lián)網(wǎng)產(chǎn)業(yè)大會(huì)
-
即日-12.26火熱報(bào)名中>> OFweek2024中國(guó)智造CIO在線峰會(huì)
-
即日-2025.8.1立即下載>> 《2024智能制造產(chǎn)業(yè)高端化、智能化、綠色化發(fā)展藍(lán)皮書(shū)》
推薦專(zhuān)題
- 1 【一周車(chē)話】沒(méi)有方向盤(pán)和踏板的車(chē),你敢坐嗎?
- 2 特斯拉發(fā)布無(wú)人駕駛車(chē),還未迎來(lái)“Chatgpt時(shí)刻”
- 3 特斯拉股價(jià)大跌15%:Robotaxi離落地還差一個(gè)蘿卜快跑
- 4 馬斯克給的“驚喜”夠嗎?
- 5 大模型“新星”開(kāi)啟變現(xiàn)競(jìng)速
- 6 海信給AI電視打樣,12大AI智能體全面升級(jí)大屏體驗(yàn)
- 7 打完“價(jià)格戰(zhàn)”,大模型還要比什么?
- 8 馬斯克致敬“國(guó)產(chǎn)蘿卜”?
- 9 神經(jīng)網(wǎng)絡(luò),誰(shuí)是盈利最強(qiáng)企業(yè)?
- 10 比蘋(píng)果偉大100倍!真正改寫(xiě)人類(lèi)歷史的智能產(chǎn)品降臨
- 高級(jí)軟件工程師 廣東省/深圳市
- 自動(dòng)化高級(jí)工程師 廣東省/深圳市
- 光器件研發(fā)工程師 福建省/福州市
- 銷(xiāo)售總監(jiān)(光器件) 北京市/海淀區(qū)
- 激光器高級(jí)銷(xiāo)售經(jīng)理 上海市/虹口區(qū)
- 光器件物理工程師 北京市/海淀區(qū)
- 激光研發(fā)工程師 北京市/昌平區(qū)
- 技術(shù)專(zhuān)家 廣東省/江門(mén)市
- 封裝工程師 北京市/海淀區(qū)
- 結(jié)構(gòu)工程師 廣東省/深圳市