亚洲av成人无码网天堂,少妇白浆高潮无码免费区,小污女小欲女导航,色欲久久综合亚洲精品蜜桃,亚洲,欧美,日韩,综合

在此之前，我已經(jīng)討論了MobileNet的體系結(jié)構(gòu)

接下來，我們將看到如何使用TensorFlow從頭開始實(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，輸出層分類為1000類。

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庫導(dǎo)入所有必要的層

為MobileNet塊編寫輔助函數(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