深度残差网络（ResNet）详解与实现（tensorflow2

batch_normalization (bool): 是否使用批归一化

conv_first (bool): conv-bn-active(True) or bn-active-conv (False)层堆叠次序

Returns:

x (tensor): 输出

“”"

conv = keras.layers.Conv2D(num_filters,

kernel_size=kernel_size,

strides=strides,

padding=‘same’,

kernel_initializer=‘he_normal’,

kernel_regularizer=keras.regularizers.l2(1e-4))

x = inputs

if conv_first:

x = conv(x)

if batch_normalization:

x = keras.layers.BatchNormalization()(x)

if activation is not None:

x = keras.layers.Activation(activation)(x)

else:

if batch_normalization:

x = keras.layers.BatchNormalization()(x)

if activation is not None:

x = keras.layers.Activation(activation)(x)

x = conv(x)

return x

def resnet(input_shape,depth,num_classes=10):

“”"ResNet

Arguments:

input_shape (tensor): 输入尺寸

depth (int): 网络层数

num_classes (int): 预测类别数

Return:

model (Model): 模型

“”"

if (depth - 2) % 6 != 0:

raise ValueError(‘depth should be 6n+2’)

#超参数

num_filters = 16

num_res_blocks = int((depth - 2) / 6)

inputs = keras.layers.Input(shape=input_shape)

x = resnet_layer(inputs=inputs)

for stack in range(3):

for res_block in range(num_res_blocks):

strides = 1

if stack > 0 and res_block == 0:

strides = 2

y = resnet_layer(inputs=x,num_filters=num_filters,

strides=strides)

y = resnet_layer(inputs=y,num_filters=num_filters,

activation=None)

if stack > 0 and res_block == 0:

x = resnet_layer(inputs=x,

num_filters=num_filters,

kernel_size=1,

strides=strides,

activation=None,

batch_normalization=False)

x = keras.layers.add([x,y])

x = keras.layers.Activation(‘relu’)(x)

num_filters *= 2

x = keras.layers.AveragePooling2D(pool_size=8)(x)

x = keras.layers.Flatten()(x)

outputs = keras.layers.Dense(num_classes,activation=‘softmax’,

kernel_initializer=‘he_normal’)(x)

model = keras.Model(inputs=inputs,outputs=outputs)

return model

model = resnet_v1(input_shape=input_shape,depth=depth)

数据加载

#加载数据

(x_train,y_train),(x_test,y_test) = keras.datasets.cifar10.load_data()

#计算类别数

num_labels = len(np.unique(y_train))

#转化为one-hot编码

y_train = keras.utils.to_categorical(y_train)

y_test = keras.utils.to_categorical(y_test)

#预处理

input_shape = x_train.shape[1:]

x_train = x_train.astype(‘float32’) / 255.

x_test = x_test.astype(‘float32’) / 255.

模型编译

#超参数

batch_size = 64

epochs = 200

#编译模型

model.compile(loss=‘categorical_crossentropy’,optimizer=‘adam’,metrics=[‘acc’])

model.summary()

模型训练

model.fit(x_train,y_train,

batch_size=batch_size,

epochs=epochs,

validation_data=(x_test,y_test),

shuffle=True)

测试模型

scores = model.evaluate(x_test,y_test,batch_size=batch_size,verbose=0)

print('Test loss: ',scores[0])

print('Test accuracy: ',scores[1])

训练过程

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）

)

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）