Keras实现 DenseNet

最新推荐文章于 2021-02-08 12:10:29 发布

Manfestain

最新推荐文章于 2021-02-08 12:10:29 发布

阅读量1.2k

点赞数 1

本文链接：https://blog.csdn.net/Beans___Lee/article/details/83964958

版权

本文档介绍了如何使用Keras实现DenseNet网络结构。内容包括Conv_block、Transition_block、Dense_block的详细解释，以及如何构建完整的DenseNet模型。DenseBlock中的密集连接通过concatenate函数实现，利用1x1卷积进行通道数的压缩，并在Transition_block中使用Maxpooling进行下采样。

摘要由CSDN通过智能技术生成

参考自https://github.com/titu1994/DenseNet/blob/master/densenet.py

先来一张图，便于理解网络结构，推荐的dense_block一般是3。两个dense_block之间的就是过渡层。每个dense_block内部都使用密集连接。

Conv_block:

卷积操作，按照论文的说法，这里应该是一个组合函数，分别为：BatchNormalization、ReLU和3x3 Conv。

def conv_block(ip, nb_filter, bottleneck=False, dropout_rate=None, weight_decay=1e-4):
    ''' Apply BatchNorm, Relu, 3x3 Conv2D, optional bottleneck block and dropout
        Args:
            ip: Input keras tensor
            nb_filter: number of filters
            bottleneck: add bottleneck block
            dropout_rate: dropout rate
            weight_decay: weight decay factor
        Returns: keras tensor with batch_norm, relu and convolution2d added (optional bottleneck)
    '''
    concat_axis = 1 if K.image_data_format() == 'channel_first' else -1

    x = BatchNormalization(axis=concat_axis, epsilon=1.1e-5)(ip)
    x = Activation('relu')(x)

    if bottleneck:
        inter_channel = nb_filter * 4
        x = Conv2D(inter_channel, (1, 1), kernel_initializer='he_normal', padding='same', use_bias=False,
                   kernel_regularizer=l2(weight_decay))(x)
        x = BatchNormalization(axis=concat_axis, epsilon