使用TensorFlow构建MobileNet-600学习网

600学习网终身会员188，所有资源无秘无压缩-购买会员

在此之前，我讨论了MobileNet的架构

接下来，我们将看到如何使用TensorFlow从头开始实现这个架构。

实现：

MobileNet架构：

图显示了我们将在代码中实现的MobileNet架构。网络从Conv.BatchNorm.ReLU块开始，并遵循多个MobileNet块。它以平均池和完全连接层结束，Softmax被激活。

我们可以看到，架构有一个模式-Conv dw/s1，后跟Conv/s1，依此类推。这里dw是深度层和步幅数，后跟Conv层和步长数。这两条线是MobileNet块。

过滤器形状列提供了核心尺寸和要使用的过滤器数量的详细信息。列的最后一位数字表示过滤器的数量。我们可以看到过滤器的数量从32增加到64，从64增加到128，从128增加到256，以此类推。

最后一列显示了当我们深入网络时，图像大小是如何变化的。输入尺寸为224*224像素，有三个通道，输出层分类为1000。

普通CNN架构块(左)和MobileNet架构(右)之间的差异：

构建网络时需要记住的几点：

所有层都遵循批次标准化和ReLU非线姓。

与具有Conv2D层的普通CNN模型不同，MobileNet具有深度Conv层，如图所示。

工作流

从TensorFlow库导入所有必要的层

为MobileNet块编写辅助函数

构建模型的主干

使用助手函数构建模型的主要部分

导入图层

将张量流导入为tf

#导入所有必要的图层

从tensorflow.keras.layers导入输入，深度Conv2D

从tensorflow.keras.layers导入Conv2D，BatchNormalization

从tensorflow.keras.layers导入ReLU.AvgPool2D.Flatten.Dense

从tensorflow.keras导入模型

Keras已经内置了DepthwiseConv层，所以我们不需要从头开始创建它。

MobileNet阻止

MobileNet块的表示

要为MobileNet块创建函数，我们需要以下步骤：

功能输入：

a. 张量(x)

b. 卷积层滤波器数(滤波器)

c. 卷积层步长(步长)

功能：

a. 应用3×3逐步卷积层，然后批量标准化层和ReLU激活

b. 应用具有1×1卷积层的过滤器，然后批量标准化层和ReLU激活

返回张量(输出)

这三个步骤在下面的代码块中实现。

＃MobileNet区块

def mobilnet _ block(x，过滤器，步幅)：

x＝深度Conv2D(内核_大小＝3，步幅＝步幅，填充＝”相同”)(x)

x＝BatchNormalization()(x)

x＝ReLU()(x)

x＝Conv2D(过滤器＝过滤器，内核大小＝1，步幅＝1)(x)

x＝BatchNormalization()(x)

x＝ReLU()(x)

返回x

构建模型的主干

如图2所示，第一层为Conv/s2，滤波器形状为3×32。

模型的主干

#模型的主干

输入＝输入(形状＝(224224,3))

x＝Conv2D(滤波器＝32，内核大小＝3，步幅＝2，填充＝”相同”)(输入)

x＝BatchNormalization()(x)

x＝ReLU()(x)

模型的主要部分：

#模型的主要部分

x＝mobilnet _ block(x，过滤器＝64，跨距＝1)

x＝mobilnet _ block(x，过滤器＝128，跨距＝2)

x＝mobilnet _ block(x，过滤器＝128，跨距＝1)

x＝mobilnet _ block(x，过滤器＝256，跨距＝2)

x＝mobilnet _ block(x，过滤器＝256，步幅＝1)

x＝mobilnet _ block(x，过滤器＝512，跨距＝2)

对于范围(5)中的_：

x＝mobilnet _ block(x，过滤器＝512，跨距＝1)

x＝mobilnet _ block(x，过滤器＝1024，跨距＝2)

x＝mobilnet _ block(x，过滤器＝1024，步长＝1)

x＝AvgPool2D(池_大小＝7，步幅＝1，数据_格式＝’通道_第一’)(x)

输出＝密集(单位＝1000，激活＝’softmax’)(x)

模型＝模型(输入＝输入，输出＝输出)

模型.summary()

模型摘要的片段

#绘制模型

tf.keras.utils.plot _ model(模型，到_文件＝’model.png’，显示_形状＝True，显示_ dtype＝False，显示_层_名称＝True.rankdir＝’TB’，展开_嵌套＝False.dpi＝96)

模型图的片段：

TensorFlow的MobileNet模型用于实现：

将张量流导入为tf

#导入所有必要的图层

从tensorflow.keras.layers导入输入，深度Conv2D

从tensorflow.keras.layers导入Conv2D，BatchNormalization

从tensorflow.keras.layers导入ReLU.AvgPool2D.Flatten.Dense

从tensorflow.keras导入模型

＃MobileNet区块

def mobilnet _ block(x，过滤器，步幅)：

x＝深度Conv2D(内核_大小＝3，步幅＝步幅，填充＝”相同”)(x)

x＝BatchNormalization()(x)

x＝ReLU()(x)

x＝Conv2D(过滤器＝过滤器，内核大小＝1，步幅＝1)(x)

x＝BatchNormalization()(x)

x＝ReLU()(x)

返回x

#模型主干

输入＝输入(形状＝(224224,3))

x＝Conv2D(滤波器＝32，内核大小＝3，步幅＝2，填充＝”相同”)(输入)

x＝BatchNormalization()(x)

x＝ReLU()(x)

#模型的主要部分

x＝mobilnet _ block(x，过滤器＝64，跨距＝1)

x＝mobilnet _ block(x，过滤器＝128，跨距＝2)

x＝mobilnet _ block(x，过滤器＝128，跨距＝1)

x＝mobilnet _ block(x，过滤器＝256，跨距＝2)

x＝mobilnet _ block(x，过滤器＝256，步幅＝1)

x＝mobilnet _ block(x，过滤器＝512，跨距＝2)

对于范围(5)中的_：

x＝mobilnet _ block(x，过滤器＝512，跨距＝1)

x＝mobilnet _ block(x，过滤器＝1024，跨距＝2)

x＝mobilnet _ block(x，过滤器＝1024，步长＝1)

x＝AvgPool2D(池_大小＝7，步幅＝1，数据_格式＝’通道_第一’)(x)

输出＝密集(单位＝1000，激活＝’softmax’)(x)

模型＝模型(输入＝输入，输出＝输出)

模型.summary()

#绘制模型

tf.keras.utils.plot _ model(模型，到_文件＝’model.png’，显示_形状＝True，显示_ dtype＝False，显示_层_名称＝True.rankdir＝’TB’，展开_嵌套＝False.dpi＝96)

结论

MobileNet是最小的深度神经网络之一。它快速高效，可以在没有高端GPU的设备上运行。

当使用Keras(在TensorFlow上)这样的框架时，这些网络的实现非常简单。