大家好，又见面了，我是你们的朋友全栈君。
1、ResNet代码
# -*- coding: utf-8 -*-
"""
Created on Wed Feb 26 19:38:01 2020
@author: HongyongHan
"""
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers,Sequential
class BasicBlock(layers.Layer):
#初始化函数
#filter_num:理解为卷积核通道的数目，也就是channel的通道数
#stride = 1意味着对图片不进行采样
def __init__(self,filter_num,strides=1):
#调用母类的初始化方法
super(BasicBlock,self).__init__()
#filter_num：卷积核通道的数目.(3,3):卷积核的size
#padding='same'如果stride等于1，那么输出等于输入。
#如果stride大于等于2的话，padding=same,会自动补全，
# 如果等于2的话，输入是32x32,可能输出是14x14,那么如果padding=same
#会padding输入的大小，使得输出是16x16
self.conv1=layers.Conv2D(filter_num,(3,3),strides=strides,padding='same')
self.bn1=layers.BatchNormalization()
#非线性激活函数
self.relu=layers.Activation('relu')
#那么这里设置stride=1,就始终保持一样
self.conv2=layers.Conv2D(filter_num,(3,3),strides=1,padding='same')
self.bn2=layers.BatchNormalization()
if strides != 1:
#下采样
self.downsample=Sequential()
self.downsample.add(layers.Conv2D(filter_num,(1,1),strides=strides))
else:
self.downsample=lambda x:x
def call(self,inputs,training=None):
#[b,h,w,c]
out=self.conv1(inputs)
out=self.bn1(out)
out=self.relu(out)
out=self.conv2(out)
out=self.bn2(out)
identify=self.downsample(inputs)
output=layers.add([out,identify])
#使用tf的函数功能
output=tf.nn.relu(output)
return output
class ResNet(keras.Model):
def __init__(self,layer_dims,num_classes=100):
#layer_dims:resnet18里面有[2,2,2,2]，也就是四个resblock
#这里指定了一共有多少个resblock层，每个层有多少个basicblock
#后面在设置blocks的数量的时候，就是用的这里的层的个数
#一个resblock里面包含了两层basicblock
#num_classes = 100:就是我们设置的输出的类的个数
super(ResNet, self).__init__()
#实现预处理层
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')
])
#创建4个res_block
#这里blocks的数量是layer_dims[0]
#这里创建的四个res_block与前面的layer_dims:[2,2,2,2]对应
#将stride设置为2是为了让feature_size越来越小
self.layer1=self.build_resblock(64,layer_dims[0])
self.layer2=self.build_resblock(128,layer_dims[1],strides=2)
self.layer3=self.build_resblock(256,layer_dims[2],strides=2)
self.layer4=self.build_resblock(512,layer_dims[3],strides=2)
#out:[b,512,h,w]
#经过运算之后不能得到h和w的值，
#使用自适应的方法得到h,w
#GlobalAveragePooling2D:就是不管你的长和宽是多少
#会在某个channel上面的长和宽加起来，取均值
self.avgpool=layers.GlobalAveragePooling2D()
#创建全连接层
#这里的Dense是用来分类的,这里输出是之前输出的类别，num_classes
self.fc=layers.Dense(num_classes)
def call(self,inputs,training=None):
#完成前向运算过程
x = self.stem(inputs)
x = self.layer1(x)
x = self.layer2(x)
x = self.layer3(x)
x = self.layer4(x)
#这里已经变成[b,c]的shape,不需要reshape了
x=self.avgpool(x)
#这里输出是[b,100]
x=self.fc(x)
return x
def build_resblock(self,filter_num,blocks,strides=1):
res_blocks=Sequential()
#添加第一层basicblock
#可能有下采样的功能的
res_blocks.add(BasicBlock(filter_num,strides))
#但是对于后面的basicblock不让有下采样功能
#从1开始，一直到blocks个
for _ in range(1,blocks):
#这样只会在第一个下采样，后面的不在下采样，保持shape不变
res_blocks.add(BasicBlock(filter_num,strides=1))
return res_blocks
def resnet18():
return ResNet([2,2,2,2])
def resnet34():
return ResNet([3,4,6,3])
2、resnet18_train
# -*- coding: utf-8 -*-
"""
Created on Wed Feb 26 19:38:40 2020
@author: HongyongHan
"""
import tensorflow as tf
from tensorflow.keras import layers,optimizers,datasets,Sequential
import os
from ResNet import resnet18
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
tf.random.set_seed(2345)
#预处理函数
def preprocess(x,y):
#【-1，1】
x=2 * tf.cast(x,dtype=tf.float32)/255.-1
y=tf.cast(y,dtype=tf.int32)
return x,y
(x,y),(x_test,y_test)=datasets.cifar100.load_data()
#因为y的维度是(64,1)的，需要squeeze掉。
y=tf.squeeze(y,axis=1)
y_test=tf.squeeze(y_test,axis=1)
print(x.shape,y.shape,x_test.shape,y_test.shape)
train_db=tf.data.Dataset.from_tensor_slices((x,y))
train_db=train_db.shuffle(1000).map(preprocess).batch(64)
test_db=tf.data.Dataset.from_tensor_slices((x_test,y_test))
test_db=test_db.map(preprocess).batch(64)
sample=next(iter(train_db))
print('sample',sample[0].shape,sample[1].shape,
tf.reduce_min(sample[0]),tf.reduce_max(sample[1]))
def main():
#[b,32,32,3] => [b,1,1,512]
model=resnet18()
model.build(input_shape=(None,32,32,3))
optimizer=optimizers.Adam(lr=1e-3)
for epoch in range(50):
for step,(x,y) in enumerate(train_db):
#这里做一个前向循环,将需要求解梯度放进来
with tf.GradientTape() as tape:
#[b,32,32,3] => [b,100]
logits=model(x)
#[b] => [b,100]
y_onehot=tf.one_hot(y,depth=100)
#compute loss
loss=tf.losses.categorical_crossentropy(y_onehot,logits,from_logits=True)
#计算均值，对每个batch的均值进行计算
loss=tf.reduce_mean(loss)
#计算gradient
grads=tape.gradient(loss,model.trainable_variables)
#传给优化器两个参数：grads和variable，完成梯度更新
optimizer.apply_gradients(zip(grads,model.trainable_variables))
if step % 100 == 0:
print(epoch,step,'losses:',float(loss))
total_num=0
total_correct=0
for x,y in test_db:
logits=model(x)
prob=tf.nn.softmax(logits,axis=1)
pred=tf.argmax(prob,axis=1)
pred=tf.cast(pred,dtype=tf.int32)
correct=tf.cast(tf.equal(pred,y),dtype=tf.int32)
correct=tf.reduce_sum(correct)
total_num += x.shape[0]
total_correct += int(correct)
acc=total_correct / total_num
print(epoch,'acc:',acc)
if __name__ == '__main__':
main()
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
发布者：全栈程序员-用户IM，转载请注明出处：https://javaforall.cn/144894.html原文链接：https://javaforall.cn
【正版授权，激活自己账号】： Jetbrains全家桶Ide使用，1年售后保障，每天仅需1毛
【官方授权 正版激活】： 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...
