【TensorFlow2.0实战】基于TnesorFlow实现MobileNet V1

目录

了解 MobileNet V1网络结构

基于TensorFlow实现 MobileNet V1

基于 CIFAR-10数据训练网络

使用训练好的模型进行预测

---

了解 MobileNet V1网络结构

• 轻量级卷积神经网络
• 更少的参数、更小的计算量，却拥有不俗的性能
• 深度可分离卷积

深度可分离卷积

我们先来看看正常的卷积：

输入为：12 × 12 × 3，卷积核为：5 × 5 × 3，我们得到一个 8 × 8 × 1 的输出。

而在空间可分离卷积中，卷积分成两步骤：深度卷积 和 逐点卷积。

 深度卷积：

逐点卷积：

不难发现，不管是正常的卷积，还是空间可分离卷积，最后得到的结果都是一个 8 × 8 × 1 的输出。

为什么使用深度可分离卷积可以减少参数计算量呢？

基于TensorFlow实现 MobileNet V1

复现的操作对着上图写即可。

import tensorflow as tf
import numpy as np
import cv2

#标准卷积块
def conv_block(
    inputs,
    filters,
    kernel_size=(3,3),
    strides=(1,1)
):
    x = tf.keras.layers.Conv2D(filters, kernel_size=kernel_size, strides=strides, padding='same', use_bias=False)(inputs)
    x = tf.keras.layers.BatchNormalization()(x)
    
    return tf.keras.layers.ReLU(6.0)(x)
##深度可分离卷积块
def depthwise_conv_block(
    inputs,
    pointwise_conv_filters,
    strides=(1,1)
):
    x = tf.keras.layers.DepthwiseConv2D((3, 3), padding='same', strides=strides, use_bias=False)(inputs)
    x = tf.keras.layers.BatchNormalization()(x)
    x = tf.keras.layers.ReLU(6.0)(x)
    
    ###深度卷积到此结束
    
    ###下面是逐点卷积
    x = tf.keras.layers.Conv2D(pointwise_conv_filters, kernel_size=(1,1), padding='same', use_bias=False)(x)
    x = tf.keras.layers.BatchNormalization()(x)
    
    return tf.keras.layers.ReLU(6.0)(x)

#mobile_net
def mobilenet_v1(
    inputs,
    classes
):
    ##特征提取层
    x = conv_block(inputs, 32, strides=(2,2))
    x = depthwise_conv_block(x, 64)
    x = depthwise_conv_block(x, 128, strides=(2,2))
    x = depthwise_conv_block(x, 128)
    x = depthwise_conv_block(x, 256, strides=(2,2))
    x = depthwise_conv_block(x, 256)
    x = depthwise_conv_block(x, 512, strides=(2,2))
    x = depthwise_conv_block(x, 512)
    x = depthwise_conv_block(x, 512)
    x = depthwise_conv_block(x, 512)
    x = depthwise_conv_block(x, 512)
    x = depthwise_conv_block(x, 512)
    x = depthwise_conv_block(x, 1024, strides=(2,2))
    x = depthwise_conv_block(x, 1024)
    
    ##全局池化
    x = tf.keras.layers.GlobalAveragePooling2D()(x)
    ##全连接层
    pred = tf.keras.layers.Dense(classes, activation='softmax')(x)
    
    return pred


##模型实例化
inputs = tf.keras.Input(shape=(32,32,3))
model = tf.keras.Model(inputs=inputs, outputs=mobilenet_v1(inputs, 10))

基于 CIFAR-10数据训练网络

(x_train, y_train), (x_test, y_test) = tf.keras.datasets.cifar10.load_data()

x_train.shape

##标签数据变成one_hot矩阵
x_train = x_train / 255.0
y_train = tf.keras.utils.to_categorical(y_train, 10)

model.compile(
    loss='categorical_crossentropy',
    optimizer='adam',
    metrics=['categorical_crossentropy','Recall', 'AUC']
)

#训练
model.fit(x_train, y_train, batch_size=10, epochs=1)

#保存
model.save('mobilenet_v1_cifar.h5')

使用训练好的模型进行预测

model = tf.keras.models.load_model('mobilenet_v1_cifar.h5')
model.summary()

##路径中要放入一张ship图像测试
img = cv2.imread('ship.png', 1) / 255.0
img = np.expand.dims(image, 0)

##预测
pred = model.predict(img)
pred