深度学习之路=====9=====＞＞MobileNet(tensorflow2)

DiDiu520

已于 2022-11-25 21:48:56 修改

阅读量824

点赞数

分类专栏： python 深度学习之路文章标签：深度学习 cnn tensorflow2

于 2022-11-24 14:41:23 首次发布

本文链接：https://blog.csdn.net/Big_SHOe/article/details/128002817

版权

python 同时被 2 个专栏收录

18 篇文章 4 订阅

订阅专栏

深度学习之路

12 篇文章 0 订阅

订阅专栏

简介

深度学习的发展伴随着模型参数的暴涨，导致对运行模型的设备有很大的限制，普通的卷积神经网络模型难以运用到移动或嵌入式设备中，主要是这些设备的内存有限，其次这些设备的算力不能满足足够的响应速度，即实时性差，因此开发出一种能够在这些设备上运行的轻量级CNN模型至关重要，目前对此类的研究主要有两种实现方式：

压缩训练好的复杂模型
直接设计小模型
2017年,基于上述第二点，谷歌提出在移动设备上运行的轻量级CNN—MobileNetV1
优点：占用内存小（参数量少），速度快（低延迟），精度高，易调试，这些优点正是普通CNN在移动设备上的短板。
创新点：
1、使用了depthwise separable convolution(深度可分离CNN）
2、使用Relu6激活函数，提高模型精度和泛化能力
3、引入缩减因子（Width Mutiplier、resolution multiplier），人为控制降低模型参数量

深度可分离卷积

深度可分离卷积分为两步，首先是深度卷积（depthwise convolution)也叫逐通道卷积，然后是逐点卷积（pointwise convolution)。与普通卷积相比，深度可分离极大降低了模型的参数量和计算量。
假设输入shape为 $\left( B,H,W,C_{in\!} \right)$ ，卷积核shape为 $\left( F,K_1,K_2 \right)$ 。
对于普通卷积，参数量为： $C_{in}\times K_1\times K_2\times F$
,计算量为: $C_{in}\times K_1\times K_2\times F\times H\times W$
对于深度可分离卷积，参数量为： $C_{in}\times K_1\times K_2+C_{in}\times F$
,计算量为： $\left( C_{in}\times K_1\times K_2+C_{in}\times F \right) \times H\times W$
两者计算量相比为
$\frac{C_{in}\times K_1\times K_2\times F\times H\times W}{\left( C_{in}\times K_1\times K_2+C_{in}\times F \right) \times H\times W}=F+K1\times K_2$
由上式可得到普通卷积计算量比深度可分离卷积的计算量大很多。

Relu6 激活函数

下式分别为Relu6函数和它的导数：
$\mathrm{Re}lu6\left( x \right) =\min \left( \max \left( x,0 \right) ,6 \right) \in \left[ 0,6 \right) \\ \mathrm{Re}lu6^{'}\left( x \right) =\begin{cases} 1,0<x<6\\ 0,\text{其他}\\ \end{cases}\in \left\{ 0,1 \right\}$
请添加图片描述
上图看到，Relu函数的输出范围为0到无穷大，而Relu6的输出范围为0到6.
Relu6激活函数专为嵌入式设备设计，普通的激活函数输出范围为0到无穷大，而嵌入式设备采用的低精度float16无法描述如此大的范围，导致产生精度损失，所以RELU6应运而生，它在低精度计算下有更强的鲁棒性。

引入缩减因子（Width Mutiplier、resolution multiplier）

通过两个超参数对MobileNet基本模型进行轻量化，降低参数量和计算量。
Width Mutiplier主要用来按比例减少通道数，取值范围（0,1]，使模型参数量按比例减少；
resolution multiplier主要用来按比例降低特征图尺寸，取值范围(0,1]，使模型计算量按比例减少。

模型网络结构

在这里插入图片描述

最后，上代码

##激活函数用的Relu
import tensorflow as tf
from tensorflow.keras.layers import *
from tensorflow.keras import Model
import numpy as np
class Depth_Separable_Conv(Model):
    def __init__(self,s1=1,filters=64,s2=1,width_multiplier=1):
        super().__init__()
        self.layers_list=[]
        self.layers_list.append(DepthwiseConv2D(kernel_size=(3,3),strides=s1,padding='same'))
        self.layers_list.append(BatchNormalization())
        self.layers_list.append(Activation('relu'))
        self.layers_list.append(Conv2D(filters=round(filters * width_multiplier),kernel_size=1,strides=s2,padding='same'))
        self.layers_list.append(BatchNormalization())
        self.layers_list.append(Activation('relu'))
    def call(self,x):
        for layer in self.layers_list:
            x=layer(x)
        return x
class MobileNet(Model):
    def __init__(self,width_multiplier=1,resolution_multiplier=1):
        """ width_multiplier :通道缩减比例
            resolution multiplier：尺寸缩减比例
        """
        super().__init__()
        self.resolution_multiplier=resolution_multiplier
        self.layers_list=[]
        self.layers_list.append(Conv2D(filters=32,kernel_size=3,strides=2,padding='same'))
        self.layers_list.append(Depth_Separable_Conv(1,64,1,width_multiplier))
        self.layers_list.append(Depth_Separable_Conv(2,128,1,width_multiplier))
        self.layers_list.append(Depth_Separable_Conv(1,128,1,width_multiplier))
        self.layers_list.append(Depth_Separable_Conv(2,256,1,width_multiplier))
        self.layers_list.append(Depth_Separable_Conv(1,256,1,width_multiplier))
        self.layers_list.append(Depth_Separable_Conv(2,512,1,width_multiplier))
        for i in range(5):
            self.layers_list.append(Depth_Separable_Conv(1,512,1,1))
        self.layers_list.append(Depth_Separable_Conv(2,1024,1,1))
        self.layers_list.append(Depth_Separable_Conv(2,1024,1,1))
        self.layers_list.append(AveragePooling2D(pool_size=(7,7)))
        self.layers_list.append(Dense(1000,activation='softmax'))
    def call(self,x):
        re_size=round(x.shape[1] * self.resolution_multiplier)
        x=tf.image.resize(images=x, size=[re_size,re_size])
        for layer in self.layers_list:
            x=layer(x)
        return x
model=MobileNet()
##用随机image验证模型的正确性，能输出预期的结果
x=range(112*112)
x=np.array(x).reshape(1,112,112,1)
x.shape
model(x)
##<tf.Tensor: shape=(1, 0, 0, 1000), dtype=float32, numpy=array([], shape=(1, 0, 0, 1000), dtype=float32)>