|
大家好，这是专栏《TensorFlow2.0》的第四篇文章，讲述网络模型的搭建。 我们知道在不考虑输入层的情况下，一个典型的卷积神经网络通常由若干个卷积层、激活层、池化层及全连接层组成，无论是最经典的LeNet5，还是前两天刚出现的MobileNet V3，无一不都包含这些层。今天就带大家学习下如何使用TensorFlow2.0搭建卷积神经网络模型。 作者&编辑 | 汤兴旺 上一期，我们讲解了如何使用TensorFlow2.0从自己的磁盘读取数据，今天我们就来看看如何使用层来搭建网络。 在Keras API中，定义网络是比较简单的，我们主要用到的就是Sequential类，下面看看如何具体使用它来定义网络： from tensorflow.keras import Sequential conv_net = Sequential([ layers.Dense(32,activation = "relu",input_shape = (784,)), layers.Dense(10,activation = "softmax")]) 我们可以把Sequential理解为一个容器，然后把layers搭建的每层模型都送进这个容器中，构成整个网络模型。值得注意的layers搭建的每层模型要想放进这个容器中必须是list结构。 另外我们需要搭建的卷积层，全连接层，池化层等都在layers这个类中。下面我们看一个包含卷积层，全连接层，池化层比较完整的结构,如下： from tensorflow.keras import Sequential conv_layers = [
#units1
layers.Conv2D(64, kernel_size=[3,3],padding="same",activation = tf.nn.relu),
layers.Conv2D(64, kernel_size=[3,3],padding="same",activation = tf.nn.relu),
layers.MaxPool2D(pool_size=[2,2],strides=2,padding="same"),
#units2
layers.Conv2D(128, kernel_size=[3,3],padding="same",activation = tf.nn.relu),
layers.Conv2D(128, kernel_size=[3,3],padding="same",activation = tf.nn.relu),
layers.MaxPool2D(pool_size=[2,2],strides=2,padding="same"),
#units3
layers.Conv2D(256, kernel_size=[3,3],padding="same",activation = tf.nn.relu),
layers.Conv2D(256, kernel_size=[3,3],padding="same",activation = tf.nn.relu),
layers.Conv2D(256, kernel_size=[3,3],padding="same",activation = tf.nn.relu),
layers.MaxPool2D(pool_size=[2,2],strides=2,padding="same"),
#units4
layers.Conv2D(512, kernel_size=[3,3],padding="same",activation = tf.nn.relu),
layers.Conv2D(512, kernel_size=[3,3],padding="same",activation = tf.nn.relu),
layers.Conv2D(512, kernel_size=[3,3],padding="same",activation = tf.nn.relu),
layers.MaxPool2D(pool_size=[2,2],strides=2,padding="same"),
#units5
layers.Conv2D(512, kernel_size=[3,3],padding="same",activation = tf.nn.relu),
layers.Conv2D(512, kernel_size=[3,3],padding="same",activation = tf.nn.relu),
layers.Conv2D(512, kernel_size=[3,3],padding="same",activation = tf.nn.relu),
layers.MaxPool2D(pool_size=[2,2],strides=2,padding="same")] conv_net =Sequential(conv_layers) fc_net = Sequential([
layers.Dense(4096,activation=tf.nn.relu),
layers.Dense(4096, activation=tf.nn.relu),
layers.Dense(1000, activation=None),
]) 上面的模型中我们首先通过layers.Conv2D()、layers.MaxPool2D()构建模型的卷积网络层conv_layers，注意看我是把这个层放在了一个list中的，然后我把这个list即conv_layers放进了Sequential这个容器构建成了卷积网络conv_net。 卷积层完成构建后，我们通过layers.Dense添加全连接层，这样一个完整的结构就完成了。 基本的模型完成了搭建后，我们看前向处理是怎么做的，即数据如何从卷积层一步步传到最后的全连接层，最后输出一个预测值。 out = conv_net(x) out = tf.reshape(out, [-1, 512]) logits = fc_net(out)
上面我们假设输入x是[1，32，32，3]，即1张3通道大小为32*32的图片，经过卷积层后的输出为out，现在我们看看out是多少，查看方法如下： x = tf.random.normal([1,32,32,3])
out = conv_net(x)
print(out.shape) 我们通过上面的代码很容易得到out.shape = [1,1,1,512]
为了能将卷积后的结果与全连接层相连，我们需要将它展平，即out = tf.reshape(out, [-1, 512])，最后我们将打平后的结果传递到全连接层网络fc_net得到预测值。 上面我们通过Sequential类完成了一个完整的模型搭建，你掌握了吗? 上面我们通过Sequential类完成了一个简单的线性模型的搭建，下面我们看如何搭建自己的一个模型（非线性模型）。这里我们以ResNet系列网络为例。 import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers,Sequential
class BasicBlock(layers.Layer):
def __init__(self,filter_num,stride=1):
super(BasicBlock,self).__init__()
self.conv1=layers.Conv2D( filter_num,(3,3),strides=stride,padding="same")
self.bn1 = layers.BatchNormalization()
self.relu = layers.Activation("relu")
self.conv2 = layers.Conv2D(filter_num, (3, 3), strides=1, padding="same")
self.bn2 = layers.BatchNormalization()
if stride !=1:
self.downsample = Sequential()
self.downsample.add(layers.Conv2D(filter_num,(1,1),strides=stride))
else:
self.downsample =lambda x:x
def call(self,inputs,training=None):
out = self.conv1(inputs)
out = self.bn1(out)
out =self.relu(out)
out = self.conv2(out)
out = self.bn2(out)
identity = self.downsample(inputs)
output = layers.add([out,identity])
output = tf.nn.relu(output)
return output
class ResNet(keras.Model):
def __init__(self,layer_dims,num_classe=100):
super(ResNet,self).__init__()
#预处理层
self.stem = Sequential([layers.Conv2D(64,(3,3),strides=(1,1)),
layers.BatchNormalization(),
layers.Activation("relu"),
layers.MaxPool2D(pool_size=(2,2),strides=(1,1),padding="same")])
self.layer1 = self.build_resblock(64,layer_dims[0])
self.layer2 = self.build_resblock(128, layer_dims[1],stride=2)
self.layer3 = self.build_resblock(256, layer_dims[2], stride=2)
self.layer4 = self.build_resblock(512, layer_dims[3], stride=2)
self.avgpool = layers.GlobalAveragePooling2D()
self.fc = layers.Dense(num_classe)
def call(self, inputs, training=None):
x = self.stem(inputs)
x = self.layer1(x)
x = self.layer2(x)
x = self.layer3(x)
x = self.layer4(x)
x = self.avgpool(x)
x = self.fc(x)
return x
def build_resblock(self,filter_num,blocks,stride=1):
#filter_num是卷积核的数量，blocks是basic_block的数量
res_blocks=Sequential()
res_blocks.add(BasicBlock(filter_num,stride))
for _ in range(1,blocks):
res_blocks.add(BasicBlock(filter_num,stride=1))
return res_blocks
def resnet18():
return ResNet([2,2,2,2])
def resnet34():
return ResNet([3,4,6,3]) 我们知道在ResNet中有一个基本的单元叫做basicBlock 多个basicBlock的叠加就组成了resblock，而ResNet系列网络就是由多个不同resBlock组成的。 上面的代码中我们定义了一个基本的类basicBlock，它必须继承layers.Layer或者keras.Model这个类，也就是说所有的网络自定义都会继承这个类中的一个，并实现super方法，如下： super(BasicBlock,self).__init__() basicBlock基本结构完成后，我们需要实现前向运算，即call函数，如下： def call(self,inputs,training=None):
out = self.conv1(inputs)
out = self.bn1(out)
out =self.relu(out)
out = self.conv2(out)
out = self.bn2(out)
identity = self.downsample(inputs)
output = layers.add([out,identity])
output = tf.nn.relu(output)
return output 从上面的代码可以看出call函数是比较简单的，串接各个网络层就可以了，这里不再详细说明。这样我们resnet的基本结构basicBlock就完成了构建。后面的resBlock实际上就是BasicBlock的叠加，实现的方法是一样的，就是定义个基本的类，并继承layers.Layer或者keras.Model这个类，再实现super方法。最后通过call函数完成前向运算。 本期我们详细介绍了如何使用TensorFlow2.0完成网络模型的搭建。 下期预告：使用TensorFlow2.0完成从模型自定义到测试。
|
