Tensorflow实例:实现VGG
来源:互联网 发布:局域网共享文件软件 编辑:程序博客网 时间:2024/05/30 05:25
VGGNet探索了卷积神经网络的深度与其性能之间的关系,通过反复堆叠3*3的小型卷积核和2*2的最大池化层,VGGNet成功地构筑了16~19层的卷积神经网络。VGGNet的结构非常简洁,整个网络都使用了同样大小的卷积核尺寸(3*3)和最大池化层(2*2)。
到目前为止,VGGNet依然经常被用来提取图像特征。VGGNet训练后的模型参数在其官网上开源了,可用来在domain specific的图像分类任务上进行再训练(相当于提供了非常好的初始化权重),因此被用在了很多地方。VGGNet的网络结构如下图所示:
在VGGNet中运用到的技巧:
- 经常出现多个完全一样的3*3的卷积层堆叠在一起的情况,这其实是非常有用的设计。例如2个3*3的卷积层串联相当于1个5*5的卷积层,即一个像素会跟周围5*5的像素产生关联,可以说感受野大小为5*5。而3个3*3的卷积层串联的效果相当于一个7*7的卷积层。但是3个3*3的卷积层拥有比1个7*7的卷积层更少的参数,只有后者的
3∗3∗37∗7=55 。最重要的是,3个3*3的卷积层拥有比一个7*7的卷积层更多的非线性变换,使得CNN对特征的学习能力更强。 - VGGNet在训练时,先训练级别A的简单网络,再复用A网络的权重来初始化后面的几个复杂模型,这样训练收敛的速度更快。
- 在预测时,VGG采用mutil-Scale的方法,将图像scale到一个尺寸Q,并将图像输入卷积网络计算。然后在最后一个卷积层使用滑窗的方式进行分类预测,将不同窗口的分类结果平均,再将不同尺寸Q的结果平均得到最后结果,这样可提高图片数据的利用率并提升预测准确率。
- VGGNet还使用了Mutil-Scale的方法做数据增强,将原始数据缩放到不同尺寸S,然后再随机裁切224*224的图片,这样能增加很多数据量,对于防止模型过拟合有不错的效果。
作者在对比各级网络时总结了一下观点:
- LRN层作用不大
- 越深的网络效果越好
- 1*1的卷积也是很有效的,但是没有3*3的卷积好,大一些的卷积核可以学习更大的空间特征。
在这里,我们不直接使用ImageNet数据训练一个VGGNet,而是采用跟AlexNet一样的方式:构造出VGGNet网络,并评测其forward(inference)耗时和backward(training)耗时。
from datetime import datetimeimport mathimport timeimport tensorflow as tfbatch_size = 32num_batches = 100# 先定义一个conv_op函数,用于创建卷积层并把本层的参数存入参数列表def conv_op(input_op, name, kh, kw, n_out, dh, dw, p): n_in = input_op.get_shape()[-1].value with tf.name_scope(name) as scope: kernel = tf.get_variable(scope+"w", shape=[kh, kw, n_in, n_out], dtype=tf.float32, initializer=tf.contrib.layers.xavier_initializer_conv2d()) conv = tf.nn.conv2d(input_op, kernel, (1, dh, dw, 1), padding='SAME') bias_init_val = tf.constant(0.0, shape=[n_out], dtype=tf.float32) biases = tf.Variable(bias_init_val, trainable=True, name='b') z = tf.nn.bias_add(conv, biases) activation = tf.nn.relu(z, name=scope) p += [kernel, biases] return activation# 下面定义全连接层创建函数fc_opdef fc_op(input_op, name, n_out, p): n_in = input_op.get_shape()[-1].value with tf.name_scope(name) as scope: kernel = tf.get_variable(scope+"w", shape=[n_in, n_out], dtype=tf.float32, initializer=tf.contrib.layers.xavier_initializer_conv2d()) biases = tf.Variable(tf.constant(0.1, shape=[n_out], dtype=tf.float32), name='b') activation = tf.nn.relu_layer(input_op, kernel, biases, name=scope) p += [kernel, biases] return activation# 定义最大池化层的创建函数mpool_opdef mpool_op(input_op, name, kh, kw, dh, dw): return tf.nn.max_pool(input_op, ksize=[1, kh, kw, 1], strides=[1, dh, dw, 1], padding='SAME', name=name)# 开始创建VGGNet-16,主要分为6个部分:前5部分为卷积网络,最后一段是全连接网络def inference_op(input_op, keep_prob): p = [] conv1_1 = conv_op(input_op, name='conv1_1', kh=3, kw=3, n_out=64, dh=1, dw=1, p=p) conv1_2 = conv_op(conv1_1, name='conv1_2', kh=3, kw=3, n_out=64, dh=1, dw=1, p=p) pool1 = mpool_op(conv1_2, name='pool1', kh=2, kw=2, dw=2, dh=2) conv2_1 = conv_op(pool1, name='conv2_1', kh=3, kw=3, n_out=128, dh=1, dw=1, p=p) conv2_2 = conv_op(conv2_1, name='conv2_2', kh=3, kw=3, n_out=128, dh=1, dw=1, p=p) pool2 = mpool_op(conv2_2, name='pool2', kh=2, kw=2, dh=2, dw=2) conv3_1 = conv_op(pool2, name='conv3_1', kh=3, kw=3, n_out=256, dh=1, dw=1, p=p) conv3_2 = conv_op(conv3_1, name='conv3_2', kh=3, kw=3, n_out=256, dh=1, dw=1, p=p) conv3_3 = conv_op(conv3_2, name='conv3_3', kh=3, kw=3, n_out=256, dh=1, dw=1, p=p) pool3 = mpool_op(conv3_3, name='pool3', kh=2, kw=2, dh=2, dw=2) conv4_1 = conv_op(pool3, name='conv4_1', kh=3, kw=3, n_out=512, dh=1, dw=1, p=p) conv4_2 = conv_op(conv4_1, name='conv4_2', kh=3, kw=3, n_out=512, dh=1, dw=1, p=p) conv4_3 = conv_op(conv4_2, name='conv4_3', kh=3, kw=3, n_out=512, dh=1, dw=1, p=p) pool4 = mpool_op(conv4_3, name='pool4', kh=2, kw=2, dh=2, dw=2) conv5_1 = conv_op(pool4, name='conv5_1', kh=3, kw=3, n_out=512, dh=1, dw=1, p=p) conv5_2 = conv_op(conv5_1, name='conv5_2', kh=3, kw=3, n_out=512, dh=1, dw=1, p=p) conv5_3 = conv_op(conv5_2, name='conv5_3', kh=3, kw=3, n_out=512, dh=1, dw=1, p=p) pool5 = mpool_op(conv5_3, name='pool5', kh=2, kw=2, dh=2, dw=2) # 将输出结果扁平化 shp = pool5.get_shape() flattened_shape = shp[1].value * shp[2].value * shp[3].value resh1 = tf.reshape(pool5, [-1, flattened_shape], name="resh1") fc6 = fc_op(resh1, name='fc6', n_out=4096, p=p) fc6_drop = tf.nn.dropout(fc6, keep_prob=keep_prob, name="fc6_drop") fc7 = fc_op(fc6_drop, name='fc7', n_out=4096, p=p) fc7_drop = tf.nn.dropout(fc7, keep_prob=keep_prob, name="fc7_drop") fc8 = fc_op(fc7_drop, name='fc8', n_out=1000, p=p) softmax = tf.nn.softmax(fc8) predictions = tf.argmax(softmax, 1) return predictions, softmax, fc8, p# 定义测评函数time_tensorflow_run()def time_tensorflow_run(session, target, feed, info_string): num_steps_burn_in = 10 total_duration = 0.0 total_duration_squared = 0.0 for i in range(num_batches + num_steps_burn_in): start_time = time.time() _ = session.run(target, feed_dict=feed) duration = time.time() - start_time if i >= num_steps_burn_in: if not i % 10: print('%s: step %d, duration = %.3f' % (datetime.now(), i - num_steps_burn_in, duration)) total_duration += duration total_duration_squared += duration * duration mn = total_duration / num_batches vr = total_duration_squared / num_batches - mn * mn sd = math.sqrt(vr) print('%s: %s across %d steps, %.3f +/- %.3f sec / batch' % (datetime.now(), info_string, num_batches, mn, sd))def run_benchmark(): with tf.Graph().as_default(): image_size = 224 images = tf.Variable(tf.random_normal([batch_size, image_size, image_size, 3], dtype=tf.float32, stddev=1e-1)) keep_prob = tf.placeholder(dtype=tf.float32) predictions, softmax, fc8, p = inference_op(images, keep_prob) init = tf.global_variables_initializer() sess = tf.Session() sess.run(init) time_tensorflow_run(sess, predictions, {keep_prob: 1.0}, "Forward") objective = tf.nn.l2_loss(fc8) grad = tf.gradients(objective, p) time_tensorflow_run(sess, grad, {keep_prob: 0.5}, "Forward-backward")run_benchmark()
VGGNet的模型参数虽然比AlexNet多, 但反而只需要较少的迭代次数就可以收敛,主要原因是更深的网络和更小的卷积核带来的隐式的正则化效果。VGGNet凭借其相对不算很高的复杂度和优秀的分类性能,成为了一代经典的卷积神经网络,直到现在依然被应用在很多地方。
阅读全文
0 0
- Tensorflow实例:实现VGG
- CNN网络学习:VGG 以及Tensorflow实现
- 【Tensorflow网络架构简单实现】 用Tensorflow实现VGG模型
- 用tensorflow实现VGG网络,训练mnist数据集
- tensorflow提取VGG特征
- Tensorflow --VGG网络
- tensorflow提取VGG特征
- 代码实现(一):kevin28520/My-Tensorflow-tutorials-master/04 VGG Tensorflow
- Tensorflow cnn网络 vgg可视化
- Tensorflow实例:实现AlexNet
- Tensorflow实例:实现ResNet
- tensorflow实现迁移学习实例
- Tensorflow学习记录10--VGG网络
- TensorFlow VGG-16 预训练模型
- TensorFlow之深入理解VGG\Residual Network
- VGG
- VGG
- VGG
- Spring参数验证顺序问题
- jquery easyui实现树形(Tree)菜单点击,在content页生成Tab功能
- 1.Java核心API--集合
- tomcat内存设置
- 头注释格式
- Tensorflow实例:实现VGG
- stream_context_create()发送POST/GET请求
- scikit-learn 中文文档-朴素贝叶斯-监督学习|ApacheCN
- 循环嵌套判断字符串是否相等
- Selenium Webdriver元素定位的八种常用方式
- ios UItextField 控制输入内容只输入数字
- 工作总结第二天
- mysql学习 stage1-0
- 用OpenCV和Dlib进行人脸颜值预测-解析