vgg16-py代码

#tensorflow学习笔记(北京大学) vgg16.py 完全解析
#QQ群:476842922(欢迎加群讨论学习
#!/usr/bin/python
#coding:utf-8

import inspect
import os
import numpy as np
import tensorflow as tf
import time
import matplotlib.pyplot as plt

#样本RGB的平均值
VGG_MEAN = [103.939, 116.779, 123.68]

class Vgg16():
def init(self, vgg16_path=None):
if vgg16_path is None:
#返回当前工作目录
vgg16_path = os.path.join(os.getcwd(), “vgg16.npy”)
#遍历其内键值对,导入模型参数
self.data_dict = np.load(vgg16_path, encoding=‘latin1’).item()

def forward(self, images):
    
    print("build model started")
	#获取前向传播开始时间
    start_time = time.time() 
	#逐个像素乘以255
    rgb_scaled = images * 255.0 
	#从GRB转换彩色通道到BRG
    red, green, blue = tf.split(rgb_scaled,3,3) 
	#减去每个通道的像素平均值,这种操作可以移除图像的平均亮度值
	#该方法常用在灰度图像上
    bgr = tf.concat([     
        blue - VGG_MEAN[0],
        green - VGG_MEAN[1],
        red - VGG_MEAN[2]],3)
    #构建VGG的16层网络(包含5段卷积,3层全连接),并逐层根据命名空间读取网络参数
	#第一段卷积,含有两个卷积层,后面接最大池化层,用来缩小图片尺寸
    self.conv1_1 = self.conv_layer(bgr, "conv1_1") 
	#传入命名空间的name,来获取该层的卷积核和偏置,并做卷积运算,最后返回经过激活函数后的值
    self.conv1_2 = self.conv_layer(self.conv1_1, "conv1_2")
	#根据传入的pooling名字对该层做相应的池化操作
    self.pool1 = self.max_pool_2x2(self.conv1_2, "pool1")
    
	#第二段卷积,包含两个卷积层,一个最大池化层
    self.conv2_1 = self.conv_layer(self.pool1, "conv2_1")
    self.conv2_2 = self.conv_layer(self.conv2_1, "conv2_2")
    self.pool2 = self.max_pool_2x2(self.conv2_2, "pool2")

    #第三段卷积,包含三个卷积层,一个最大池化层
    self.conv3_1 = self.conv_layer(self.pool2, "conv3_1")
    self.conv3_2 = self.conv_layer(self.conv3_1, "conv3_2")
    self.conv3_3 = self.conv_layer(self.conv3_2, "conv3_3")
    self.pool3 = self.max_pool_2x2(self.conv3_3, "pool3")
    
	#第四段卷积,包含三个卷积层,一个最大池化层
    self.conv4_1 = self.conv_layer(self.pool3, "conv4_1")
    self.conv4_2 = self.conv_layer(self.conv4_1, "conv4_2")
    self.conv4_3 = self.conv_layer(self.conv4_2, "conv4_3")
    self.pool4 = self.max_pool_2x2(self.conv4_3, "pool4")
    
	#第五段卷积,包含三个卷积层,一个最大池化层
    self.conv5_1 = self.conv_layer(self.pool4, "conv5_1")
    self.conv5_2 = self.conv_layer(self.conv5_1, "conv5_2")
    self.conv5_3 = self.conv_layer(self.conv5_2, "conv5_3")
    self.pool5 = self.max_pool_2x2(self.conv5_3, "pool5")
    
	#第六层全连接
	#根据命名空间name做加权求和运算
    self.fc6 = self.fc_layer(self.pool5, "fc6")
	#经过relu激活函数
    self.relu6 = tf.nn.relu(self.fc6) 
    
	#第七层全连接
    self.fc7 = self.fc_layer(self.relu6, "fc7")
    self.relu7 = tf.nn.relu(self.fc7)
    
	#第八层全连接
    self.fc8 = self.fc_layer(self.relu7, "fc8")
    self.prob = tf.nn.softmax(self.fc8, name="prob")
    
	#得到全向传播时间
    end_time = time.time() 
    print(("time consuming: %f" % (end_time-start_time)))
    
	#清空本次读取到的模型参数字典
    self.data_dict = None 

#定义卷积运算    
def conv_layer(self, x, name):
	#根据命名空间name找到对应卷积层的网络参数
    with tf.variable_scope(name): 
		#读到该层的卷积核
        w = self.get_conv_filter(name) 
		#卷积运算
        conv = tf.nn.conv2d(x, w, [1, 1, 1, 1], padding='SAME') 
        #读到偏置项
		conv_biases = self.get_bias(name) 
		#加上偏置,并做激活计算
        result = tf.nn.relu(tf.nn.bias_add(conv, conv_biases)) 
        return result

#定义获取卷积核的参数
def get_conv_filter(self, name):
	#根据命名空间从参数字典中获取对应的卷积核
    return tf.constant(self.data_dict[name][0], name="filter") 

#定义获取偏置项的参数
def get_bias(self, name):
	#根据命名空间从参数字典中获取对应的偏置项
    return tf.constant(self.data_dict[name][1], name="biases")

#定义最大池化操作
def max_pool_2x2(self, x, name):
    return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME', name=name)

#定义全连接层的全向传播操作
def fc_layer(self, x, name):
	#根据命名空间name做全连接层的计算
    with tf.variable_scope(name): 
		#获取该层的维度信息列表
        shape = x.get_shape().as_list() 
        dim = 1
        for i in shape[1:]:
			#将每层的维度相乘
            dim *= i 
		#改变特征图的形状,也就是将得到的多维特征做拉伸操作,只在进入第六层全连接层做该操作
        x = tf.reshape(x, [-1, dim])
		#读到权重值
        w = self.get_fc_weight(name) 
		#读到偏置项值
        b = self.get_bias(name) 
        #对该层输入做加权求和,再加上偏置
        result = tf.nn.bias_add(tf.matmul(x, w), b) 
        return result

#定义获取权重的函数
def get_fc_weight(self, name): 
	#根据命名空间name从参数字典中获取对应1的权重
    return tf.constant(self.data_dict[name][0], name="weights")
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值