这周计划学习Tensorflow的一些知识并根据上次论文的研究构建视觉追踪的模型。
所以首先是对最基本的Tensorflow去构建模型的方法简单学习:
1.CNN基本模型
对于CNN的模型之前的理论基础知识已经有过学习,便不再展开讲解,只是讲一下基本结构:
卷积神经网络CNN的结构一般包含这几个层:
- 输入层:用于数据的输入
- 卷积层:使用卷积核进行特征提取和特征映射
- 激励层:由于卷积也是一种线性运算,因此需要增加非线性映射
- 池化层:进行下采样,对特征图稀疏处理,减少数据运算量。
- 全连接层:通常在CNN的尾部进行重新拟合,减少特征信息的损失
- 输出层:用于输出结果
当然中间还可以使用一些其他的功能层:
- 归一化层(Batch Normalization):在CNN中对特征的归一化
- 切分层:对某些(图片)数据的进行分区域的单独学习
- 融合层:对独立进行特征学习的分支进行融合
对于基本的CNN之上,还有许多改进的模型
1.LeNet:
第一个成功用于手写字符识别的模型,卷积层自带激励函数
我们的视线追踪模型基本由LeNet改进,重点是在全链接层没有直接训练而是加入了头部角度h一起训练
2.其余的还有AlexNet,VGGNet,GoogleNet,ResNet等。就不再展开叙述了。
2.TensorFlow基本函数理解和实践
卷积层:
tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, data_format=None, name=None)
'''
input:输入是一个4维格式的(图像)数据,数据的 shape 由 data_format 决定:当 data_format
为“NHWC”输入数据的shape表示为[batch, in_height, in_width, in_channels],分别表示训练时一
个batch的图片数量、图片高度、 图片宽度、 图像通道数。当 data_format 为“NHWC”输入数据的shape表
示为[batch, in_channels, in_height, in_width]
filter:卷积核是一个4维格式的数据:shape表示为:[height,width,in_channels, out_channels],
分别表示卷积核的高、宽、深度(与输入的in_channels应相同)、输出 feature map的个数(即卷积核的个
数)。
strides:表示步长:一个长度为4的一维列表,每个元素跟data_format互相对应,表示在data_format每一
维上的移动步长。当输入的默认格式为:“NHWC”,则 strides = [batch , in_height , in_width,
in_channels]。其中 batch 和 in_channels 要求一定为1,即只能在一个样本的一个通道上的特征图上进
行移动,in_height , in_width表示卷积核在特征图的高度和宽度上移动的布长,即
strideheightstrideheight 和 stridewidthstridewidth 。
padding:表示填充方式:“SAME”表示采用填充的方式,简单地理解为以0填充边缘,当stride为1时,输入和
输出的维度相同;“VALID”表示采用不填充的方式,多余地进行丢弃。
data_format:表示输入的格式,有两种分别为:“NHWC”和“NCHW”,默认为“NHWC”
'''
池化层:
tf.nn.max_pool( value, ksize,strides,padding,data_format=’NHWC’,name=None)
'''
value:表示池化的输入:一个4维格式的数据,数据的 shape 由 data_format 决定,默认情况下shape 为[batch, height, width, channels]
ksize:表示池化窗口的大小:一个长度为4的一维列表,一般为[1, height, width, 1],因不想在batch和channels上做池化,则