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)
blank

相关推荐

  • 跳频介绍_跳频功能

    跳频介绍_跳频功能跳频是最常用的扩频方式之一,其工作原理是指收发双方传输信号的载波频率按照预定规律进行离散变化的通信方式,也就是说,通信中使用的载波频率受伪随机变化码的控制而随机跳变。从通信技术的实现方式来说,“跳频”是一种用码序列进行多频频移键控的通信方式,也是一种码控载频跳变的通信系统。从时域上来看,跳频信号是一个多频率的频移键控信号;从频域上来看,跳频信号的频谱是一个在很宽频带上以不等间隔随机跳变的。其中:跳

    2022年10月23日
  • MQTTBox客户端工具(Windows版)

    MQTTBox是一个带有可视化的界面的MQTT的客户端工具.工具特性:创建连接到相同或不同MQTT代理的多个并发MQTT客户端TCP,SSL/TLS,Web套接字和安全的Web套接字支持创建具有多种连接设置的MQTT客户端-最后的遗留,keepAlive,连接超时等等用户名/密码认证连接,断开连接,重新连接MQTT客户端到代理的选项将消息从同一MQTT客户端发布到多个主题从同一MQTT客户端订阅多个主题支持单级(+)和多级(#)订阅主题单击即可复制,重新发布有效负载查看已发

  • tar命令打包和压缩与解压

    tar命令打包和压缩与解压

  • 新版Kubernetes问题处理流程

    新版Kubernetes问题处理流程

  • matlab中wavedec2,wavedec2函数详解[通俗易懂]

    matlab中wavedec2,wavedec2函数详解[通俗易懂]很多人对小波多级分解的wavedec2总是迷惑,今天就详释她!wavedec2函数:1.功能:实现图像(即二维信号)的多层分解,多层,即多尺度.2.格式:[c,s]=wavedec2(X,N,’wname’)[c,s]=wavedec2(X,N,Lo_D,Hi_D)(我不讨论它)3.参数说明:对图像X用wname小波基函数实现N层分解,这里的小波基函数应该根据实际情况选择,具体选择办法可以搜之或者…

  • postman汉化版下载_扑家汉化

    postman汉化版下载_扑家汉化postman官网下载地址https://www.postman.com/downloads/postman汉化包https://github.com/hlmd/Postman-cn/releases1.首先从官网下载postMan安装包2.下载postMan汉化包(app.zip)3.将汉化包解压并复制到Postman目录下4.重启postMan即可完成汉化…

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