TensorFlow实现遗传算法_unity opencv

TensorFlow实现遗传算法_unity opencv一、VGGNet简介VGGNet是牛津大学计算机视觉组和GoogleDeepMind公司的研究员一起研发的深度卷积神经网络。VGGNet探索了卷积神经网络的深度与其性能之间的关系,通过反复堆叠的小型卷积核和的最大池化层,VGGNet成功地构造了16~19层深的卷积神经网络。VGGNet的错误率大幅下降,取得了ILSVRC2014比赛分类项目的第2名和定位项目的第1名。同时,VGGNet的拓…

大家好,又见面了,我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE使用 1年只要46元 售后保障 童叟无欺

一、VGGNet简介

VGGNet是牛津大学计算机视觉组和Google DeepMind公司的研究员一起研发的深度卷积神经网络。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\times 3的小型卷积核和2\times 2的最大池化层,VGGNet成功地构造了16~19层深的卷积神经网络。VGGNet的错误率大幅下降,取得了ILSVRC 2014比赛分类项目的第2名和定位项目的第1名。同时,VGGNet的拓展性很强,迁移到其他图片数据上的泛化性非常好。VGG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\times 3)和最大池化尺寸(2\times 2)。目前为止,VGGNet依然经常别用来提取图像特征。

VGGNet拥有5段卷积,每一段内有2~3个卷积层,同时每段尾部会连接一个最大池化层用来缩小图片的尺寸。每一段的卷积核数量相同,越往后的卷积核数量越多:64-128-256-512-512.经常出现多个完全一样的3\times 3的卷积层堆叠在一起的情况。两个3\times 3的卷积层串联相当于1个5\times 5的卷积层,即一个像素会跟周围5\times 5的像素产生关联,可以说感受野大小为5\times 5。3个3\times 3的卷积层串联的效果相当于1个7\times 7的卷积层,除此之外,它的参数量变小了,并且拥有比1个7\times 7的卷积层更多的非线性变换(前者使用三次ReLU,后者使用一次),使得CNN对特征的学习能力更强。

VGGNet网络的训练,我们可以先训练一个层数比较小的网络,然后在训练一个层数比较多的网络,不断的增加层数迭代训练。通过VGGNet的训练,总结了一下几点:

  1. LRN层作用不大
  2. 越深的网络效果越好
  3. 1\times 1的卷积也是有效的,但是没有3\times 3的好。大一些的卷积核可以学习更大的空间特征。

二、 TensorFlow实现VGGNet

我们实现VGGNet-16,也就是说一共16层,其中有13层卷积层,3层全连接层。我们依然是评测forward和backward的运行性能,并不进行实质的训练和预测。

# 导包
from datetime import datetime
import math
import time
import tensorflow as tf

# 创建卷积层,并把参数存入列表
def conv_op(input_op, name, kh, kw, n_out, dh, dw, p):
    """
    input_op:输入的tensor
    name:这一层的名字
    kh:卷积核的高
    kw:卷积核的宽
    n_out:卷积核数量即输出通道数
    dh:是步长的高
    dw:是步长的宽
    p:是参数列表
    """
    n_in = input_op.get_shape()[-1].value  # 获取输入的通道数
    
    with tf.name_scope(name) as scope:
        
        # 卷积核
        kernel = tf.get_variable(scope + 'w', shape=[kh, kw, n_in, n_out], dtype=tf.float32, initializer=tf.contrib.layers.xavier_initializer_conv2d())
        # 卷积操作
        conv = tf.nn.conv2d(input_op, kernel, (1, dh, dw, 1), padding='SAME')
        # 偏置
        bias_int_val = tf.constant(0.0, shape=[n_out], dtype=tf.float32)
        biases = tf.Variable(bias_int_val, trainable=True, name='b')
        # 卷积加偏置
        z = tf.nn.bias_add(conv, biases)
        # 激活
        activation = tf.nn.relu(z, name=scope)
        # 存参数
        p += [kernel, biases]
        return activation

# 创建全连接层,并把参数传入列表
def fc_op(input_op, name, n_out, p):
    """
    input_out:输入的tensor
    name:这一层的名字
    n_out:输出的通道数
    p:是参数列表
    """
    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())  # 参数
        biases = tf.Variable(tf.constant(0.1, shape=[n_out], dtype=tf.float32), name='b')  # 偏置
        activation = tf.nn.relu_layer(input_op, kernel, biases, name=scope)
        p += [kernel, biases]
        return activation

# 创建池化层
def mpool_op(input_op, name, kh, kw, dh, dw):
    """
    input_op:输入的tensor
    name:这层的名字
    kh:池化核的长度
    kw:池化核的宽度
    dh:步长的长度
    dw:步长的宽度
    """
    return tf.nn.max_pool(input_op, ksize=[1, kh, kw, 1], strides=[1, dh, dw, 1], padding='SAME', name=name)

# 搭建VGGNet-16网络
def inference_op(input_op, keep_prob):
    p = []
    
    # 第一段卷积网络
    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)
    
    # 第二段卷积网络
    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)
    
    # 第三段卷积网络
    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)
    
    # 第四段卷积网络
    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)
    
    # 第五段卷积网络
    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_2', kh=3, kw=3, n_out=512, dh=1, dw=1, p=p)
    pool5 = mpool_op(conv5_3, name='pool5', kh=2, kw=2, dw=2, dh=2)
    
    # 扁平化,将pool5转化为一维向量
    shp = pool5.get_shape()
    flattened_shape = shp[1].value * shp[2].value * shp[3].value
    resh1 = tf.reshape(pool5, [-1, flattened_shape], name='resh1')
    
    # 第一个全连接层
    fc6 = fc_op(resh1, name='fc6', n_out=4096, p=p)
    fc6_drop = tf.nn.dropout(fc6, keep_prob, name='fc6_drop')
    
    # 第二个全连接层
    fc7 = fc_op(fc6_drop, name='fc7', n_out=4096, p=p)
    fc7_drop = tf.nn.dropout(fc7, keep_prob, name='fc7_drop')
    
    # 第三个全连接层,输入到softmax中,输出概率最大的类别
    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

# 评测函数
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))

# 主函数
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))
        
        # 创建keep_prob的占位符
        keep_prob = tf.placeholder(tf.float32)
        predictions, softmax, fc8, p = inference_op(images, keep_prob)
        
        # 创建session
        init = tf.global_variables_initializer()
        sess = tf.Session()
        sess.run(init)
        
        # 执行评测
        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")

batch_size = 32
num_batches = 100
run_benchmark()

TensorFlow实现遗传算法_unity opencv

从结果我们可以看出,forward花费的每十步花费的时间为8.64秒,backward花费的时间为28.30秒。可以看出VGGNet的复杂度要比AlexNet复杂很多。但是在比赛中的错误率最终达到了7.3%。相比AlexNet进步很大。

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/180182.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...

(0)


相关推荐

  • linux查看ftp用户列表_linux ftp下载命令

    linux查看ftp用户列表_linux ftp下载命令ftp服务器在网上较为常见,Linuxftp命令的功能是用命令的方式来控制在本地机和远程机之间传送文。下面由学习啦小编为大家整理了linux下查询ftp命令的相关知识,希望对大家有所帮助。Linuxftp命令的格式$ftp主机名/IP其中“主机名/IP”是所要连接的远程机的主机名或IP地址。在命令行中,主机名属于选项,如果指定主机名,ftp将试图与远程机的ftp服务程序进行连接;如果没有指…

  • Matlabinf_matlab怎么定义函数

    Matlabinf_matlab怎么定义函数函数功能在图像处理中,该函数用于获取一张图片的具体信息。这些具体信息包括图片的格式、尺寸、颜色数量、修改时间等等。在matlab的命令窗口中键入docimfinfo或者helpimfinfo都可以得到该函数的帮助信息。调用方式info=imfinfo(filename,fmt)info=imfinfo(filename)程序示例  下面这个程序用于获取位图相关信息。该函数获取位图文件头信…

  • springboot中postmapping(springboot配置日期参数)

    主要罗列出http的url与GetMapping的对应关系第一种:http://192.168.9.146:8080/Porduce?Message=12222222对应方法如下:@GetMapping(“/Porduce”)publicvoidProduce(StringMessage)throwsIOException{pr…

  • pytest 执行用例_测试用例一般执行多少次

    pytest 执行用例_测试用例一般执行多少次前言平常我们功能测试用例非常多时,比如有1千条用例,假设每个用例执行需要1分钟,如果单个测试人员执行需要1000分钟才能跑完当项目非常紧急时,会需要协调多个测试资源来把任务分成两部分,于是执行时间

  • mysql mycat读写分离_mycat读写分离原理

    mysql mycat读写分离_mycat读写分离原理MyCat的说明文档请参见主要使用到得几个配置文件有schema.xml、rule.xml、server.xmlMYCAT_HOME/conf/schema.xml中定义逻辑库,表、分片节点等内容.MYCAT_HOME/conf/rule.xml中定义分片规则.MYCAT_HOME/conf/server.xml中定义用户以及系统相关变量,如端口等.假设有如下几个数据库,arp库是a库的复制…

  • Java基础篇:回调机制详解

    Java基础篇:回调机制详解

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号