PaddlePaddle第三周学习心得

最新推荐文章于 2022-09-09 23:13:03 发布

BBiswatchingu

最新推荐文章于 2022-09-09 23:13:03 发布

阅读量299

点赞数

分类专栏：飞桨深度学习笔记文章标签：深度学习

本文链接：https://blog.csdn.net/BBiswatchingu/article/details/108294919

版权

本周暂停了飞桨Paddle的深度学习课程视频更新，作者分享了学习YOLO-v3的心得。文章介绍了YOLO-v3的特征提取，使用Darknet53作为骨干网络，探讨了特征图步幅的概念。同时，概述了建立预测框损失函数的方法，强调课程对初学者的帮助，尽管仍需深入理解数学概念。

摘要由CSDN通过智能技术生成

飞桨Paddle深度学习的课程视频，这周暂时停止发布了

学习过程：看视频，并在飞桨项目中，对代码进行运行查看运行理解，进一步理解知识

现看完视频后对yolo-v3一些地方做些总结（对识虫方面也有所帮助）

1.yolo-v3 特征提取

用的是draknet53(52层卷积+1层全连接），在检测任务中，将图中C0后面的平均池化、全连接层和Softmax去掉，保留从输入到C0部分的网络结构，作为检测模型的基础网络结构，也称为骨干网络。YOLO-V3模型会在骨干网络的基础上，再添加检测相关的网络模块。

（图为训练分类模型的网络结构）

import paddle.fluid as fluid
from paddle.fluid.param_attr import ParamAttr
from paddle.fluid.regularizer import L2Decay

from paddle.fluid.dygraph.nn import Conv2D, BatchNorm
from paddle.fluid.dygraph.base import to_variable

# YOLO-V3骨干网络结构Darknet53的实现代码

class ConvBNLayer(fluid.dygraph.Layer):
    """
    卷积 + 批归一化，BN层之后激活函数默认用leaky_relu
    """
    def __init__(self,
                 ch_in,
                 ch_out,
                 filter_size=3,
                 stride=1,
                 groups=1,
                 padding=0,
                 act="leaky",
                 is_test=True):
        super(ConvBNLayer, self).__init__()

        self.conv = Conv2D(
            num_channels=ch_in,
            num_filters=ch_out,
            filter_size=filter_size,
            stride=stride,
            padding=padding,
            groups=groups,
            param_attr=ParamAttr(
                initializer=fluid.initializer.Normal(0., 0.02)),
            bias_attr=False,
            act=None)

        self.batch_norm = BatchNorm(
            num_channels=ch_out,
            is_test=is_test,
            param_attr=ParamAttr(
                initializer=fluid.initializer.Normal(0., 0.02),
                regularizer=L2Decay(0.)),
            bias_attr=ParamAttr(
                initializer=fluid.initializer.Constant(0.0),
                regularizer=L2Decay(0.)))
        self.act = act

    def forward(self, inputs):
        out = self.conv(inputs)
        out = self.batch_norm(out)
        if self.act == 'leaky':
            out = fluid.layers.leaky_relu(x=out, alpha=0.1)
        return out

class DownSample(fluid.dygraph.Layer):
    """
    下采样，图片尺寸减半，具体实现方式是使用stirde=2的卷积
    """