python神經(jīng)網(wǎng)絡MobileNet模型的復現(xiàn)詳解
更新時間：2022年05月06日 15:41:26 作者：Bubbliiiing
這篇文章主要為大家介紹了python神經(jīng)網(wǎng)絡MobileNet模型的復現(xiàn)詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪
什么是MobileNet模型
MobileNet是一種輕量級網(wǎng)絡，相比于其它結構網(wǎng)絡，它不一定是最準的，但是它真的很輕
MobileNet模型是Google針對手機等嵌入式設備提出的一種輕量級的深層神經(jīng)網(wǎng)絡，其使用的核心思想便是depthwise separable convolution。
對于一個卷積點而言：
假設有一個3×3大小的卷積層，其輸入通道為16、輸出通道為32。具體為，32個3×3大小的卷積核會遍歷16個通道中的每個數(shù)據(jù)，最后可得到所需的32個輸出通道，所需參數(shù)為16×32×3×3=4608個。
應用深度可分離卷積，用16個3×3大小的卷積核分別遍歷16通道的數(shù)據(jù)，得到了16個特征圖譜。在融合操作之前，接著用32個1×1大小的卷積核遍歷這16個特征圖譜，所需參數(shù)為16×3×3+16×32×1×1=656個。
可以看出來depthwise separable convolution可以減少模型的參數(shù)。
如下這張圖就是depthwise separable convolution的結構
在建立模型的時候，可以使用Keras中的DepthwiseConv2D層實現(xiàn)深度可分離卷積，然后再利用1x1卷積調(diào)整channels數(shù)。
通俗地理解就是3x3的卷積核厚度只有一層，然后在輸入張量上一層一層地滑動，每一次卷積完生成一個輸出通道，當卷積完成后，在利用1x1的卷積調(diào)整厚度。
如下就是MobileNet的結構，其中Conv dw就是分層卷積，在其之后都會接一個1x1的卷積進行通道處理，
MobileNet網(wǎng)絡部分實現(xiàn)代碼
#-------------------------------------------------------------#
# MobileNet的網(wǎng)絡部分
#-------------------------------------------------------------#
import warnings
import numpy as np
from keras.preprocessing import image
from keras.models import Model
from keras.layers import DepthwiseConv2D,Input,Activation,Dropout,Reshape,BatchNormalization,GlobalAveragePooling2D,GlobalMaxPooling2D,Conv2D
from keras.applications.imagenet_utils import decode_predictions
from keras import backend as K
def MobileNet(input_shape=[224,224,3],
depth_multiplier=1,
dropout=1e-3,
classes=1000):
img_input = Input(shape=input_shape)
# 224,224,3 -> 112,112,32
x = _conv_block(img_input, 32, strides=(2, 2))
# 112,112,32 -> 112,112,64
x = _depthwise_conv_block(x, 64, depth_multiplier, block_id=1)
# 112,112,64 -> 56,56,128
x = _depthwise_conv_block(x, 128, depth_multiplier,
strides=(2, 2), block_id=2)
# 56,56,128 -> 56,56,128
x = _depthwise_conv_block(x, 128, depth_multiplier, block_id=3)
# 56,56,128 -> 28,28,256
x = _depthwise_conv_block(x, 256, depth_multiplier,
strides=(2, 2), block_id=4)
# 28,28,256 -> 28,28,256
x = _depthwise_conv_block(x, 256, depth_multiplier, block_id=5)
# 28,28,256 -> 14,14,512
x = _depthwise_conv_block(x, 512, depth_multiplier,
strides=(2, 2), block_id=6)
# 14,14,512 -> 14,14,512
x = _depthwise_conv_block(x, 512, depth_multiplier, block_id=7)
x = _depthwise_conv_block(x, 512, depth_multiplier, block_id=8)
x = _depthwise_conv_block(x, 512, depth_multiplier, block_id=9)
x = _depthwise_conv_block(x, 512, depth_multiplier, block_id=10)
x = _depthwise_conv_block(x, 512, depth_multiplier, block_id=11)
# 14,14,512 -> 7,7,1024
x = _depthwise_conv_block(x, 1024, depth_multiplier,
strides=(2, 2), block_id=12)
x = _depthwise_conv_block(x, 1024, depth_multiplier, block_id=13)
# 7,7,1024 -> 1,1,1024
x = GlobalAveragePooling2D()(x)
x = Reshape((1, 1, 1024), name='reshape_1')(x)
x = Dropout(dropout, name='dropout')(x)
x = Conv2D(classes, (1, 1),padding='same', name='conv_preds')(x)
x = Activation('softmax', name='act_softmax')(x)
x = Reshape((classes,), name='reshape_2')(x)
inputs = img_input
model = Model(inputs, x, name='mobilenet_1_0_224_tf')
model_name = 'mobilenet_1_0_224_tf.h5'
model.load_weights(model_name)
return model
def _conv_block(inputs, filters, kernel=(3, 3), strides=(1, 1)):
x = Conv2D(filters, kernel,
padding='same',
use_bias=False,
strides=strides,
name='conv1')(inputs)
x = BatchNormalization(name='conv1_bn')(x)
return Activation(relu6, name='conv1_relu')(x)
def _depthwise_conv_block(inputs, pointwise_conv_filters,
depth_multiplier=1, strides=(1, 1), block_id=1):
x = DepthwiseConv2D((3, 3),
padding='same',
depth_multiplier=depth_multiplier,
strides=strides,
use_bias=False,
name='conv_dw_%d' % block_id)(inputs)
x = BatchNormalization(name='conv_dw_%d_bn' % block_id)(x)
x = Activation(relu6, name='conv_dw_%d_relu' % block_id)(x)
x = Conv2D(pointwise_conv_filters, (1, 1),
padding='same',
use_bias=False,
strides=(1, 1),
name='conv_pw_%d' % block_id)(x)
x = BatchNormalization(name='conv_pw_%d_bn' % block_id)(x)
return Activation(relu6, name='conv_pw_%d_relu' % block_id)(x)
def relu6(x):
return K.relu(x, max_value=6)
圖片預測
建立網(wǎng)絡后，可以用以下的代碼進行預測。
def preprocess_input(x):
x /= 255.
x -= 0.5
x *= 2.
return x
if __name__ == '__main__':
model = MobileNet(input_shape=(224, 224, 3))
img_path = 'elephant.jpg'
img = image.load_img(img_path, target_size=(224, 224))
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)
x = preprocess_input(x)
print('Input image shape:', x.shape)
preds = model.predict(x)
print(np.argmax(preds))
print('Predicted:', decode_predictions(preds, 1))
預測所需的已經(jīng)訓練好的Xception模型可以在https://github.com/fchollet/deep-learning-models/releases下載。非常方便。預測結果為：
Predicted: [[('n02504458', 'African_elephant', 0.7590296)]]以上就是python神經(jīng)網(wǎng)絡MobileNet模型的復現(xiàn)詳解的詳細內(nèi)容，更多關于MobileNet模型復現(xiàn)的資料請關注腳本之家其它相關文章！
相關文章
這篇文章主要介紹了解決Python安裝時報缺少DLL問題，本文通過兩種方法給大家介紹的非常詳細，具有一定的參考借鑒價值 ,需要的朋友可以參考下2019-07-07
每天都是浪漫七夕！這篇文章主要為大家詳細介紹了python愛心表白，具有一定的參考價值，感興趣的小伙伴們可以參考一下2018-08-08
這篇文章主要為大家詳細介紹了Python文本特征抽取與向量化算法，具有一定的參考價值，感興趣的小伙伴們可以參考一下2017-12-12
Python比較文件夾比另一同名文件夾多出的文件并復制出來的方法
這篇文章主要介紹了Python比較文件夾比另一同名文件夾多出的文件并復制出來的方法,涉及Python針對文件與文件夾的操作技巧,具有一定參考借鑒價值,需要的朋友可以參考下2015-03-03
利用python求解物理學中的雙彈簧質(zhì)能系統(tǒng)詳解
這篇文章主要給大家介紹了關于利用python如何求解物理學中的雙彈簧質(zhì)能系統(tǒng)的相關資料，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧。2017-09-09
本文主要介紹了Python裝飾器有哪些絕妙的用法，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2022-07-07
我比較喜歡看公眾號，有時遇到一個感興趣的公眾號時，都會感覺相逢恨晚，想一口氣看完所有歷史文章。本文主要介紹了使用Python獲取公眾號下所有的文章，感興趣的可以了解一下2021-06-06
opencv調(diào)用yolov3模型深度學習目標檢測實例詳解
這篇文章主要為大家介紹了opencv調(diào)用yolov3模型深度學習目標檢測實例詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪2022-11-11
這篇文章主要給大家介紹了Python學習小技巧之列表項排序的相關資料，文中介紹的非常詳細，需要的朋友們可以參借鑒，下面跟著小編一起來學習學習吧。2017-05-05
今天小編就為大家分享一篇Python使用psutil獲取進程信息的例子，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-12-12