大部分内容整理自《Tensorflow实战Google深度学习框架》
在前面计算图、张量、会话、Tensorflow游乐场的基础上转到神经网络,MLP的神经元,层数,参数之前已经了解。从Tensorflow游乐场模型上课看出,使用神经网络解决分类问题主要分为以下4个步骤:
1.提取问题中实现实体的特征向量作为神经网络的输入,不同的实体可以提取不同的特征向量。
2.定义神经网络的结构,并定义如何从神经网络的输入得到输出,这个过程就是神经网络的前向传播算法。输出就是所有输入的加权和。
3.通过训练数据来调整神经网络中参数的值,不同输入的权重就是我们要调节的参数
4.使用训练好的数据预测未知的数据
如下是用tensorflow通过变量实现神经网络的参数并实现前向传播的过程:
import tensorflow as tf
w1=tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1),name="w1")
w2=tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1),name="w2")
x=tf.constant([[0.7, 0.9]])
a=tf.matmul(x, w1)
y=tf.matmul(a, w2)
sess = tf.Session()
sess.run(w1.initializer)
sess.run(w1.initializer)
print(sess.run(y))
sess.close()
这里变量初始化也可以如下方式(上面是直接调用每个变量的初始化过程,但是当变量数目增多,变量之间存在依赖关系时,单个的调用方法就麻烦了):
import tensorflow as tf
tf.reset_default_graph()
w1=tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1),name="w1")
w2=tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1),name="w2")
x=tf.constant([[0.7, 0.9]])
a=tf.matmul(x, w1)
y=tf.matmul(a, w2)
init_op=tf.initialize_all_variables()
with tf.Session() as sess:
sess.run(init_op)
print(sess.run(y))
writer = tf.summary.FileWriter("D://tensorflow-log//test_tensorboard2", tf.get_default_graph())
writer.close()
"""
输出所有的变量
"""
for i in tf.trainable_variables():
print(i)
"""
对所属的计算图进行输出,可以发现使用变量、常数、操作、以及默认图进行的输出结果是一样的
"""
print(tf.get_default_graph())
print(a.graph)##可以直接使用某一个操作
print(w1.graph)
print(x.graph)
"""
对张量进行输出
"""
print(tf.get_default_graph().get_tensor_by_name("w1:0")) ##合理
类似张量,维度(shape)和类型(type)是变量的最重要两个属性,构建后类型不可以改变,维度可以改变,如下会报错:
w1=tf.Variable(tf.random_normal([2,3],stddev=1),name="w1")
w2=tf.Variable(tf.random_normal([2,3],dtype=tf.float64,stddev=1),name="w2")
w1.assign(w2)
如下可以成功执行,前提是validate_shape=False选项要加上
w1=tf.Variable(tf.random_normal([2,3],stddev=1),name="w1")
w2=tf.Variable(tf.random_normal([2,2],stddev=1),name="w2")
tf.assign(w1,w2,validate_shape=False)
设置神经网络参数的过程就是神经网络训练的过程,在神经网络的优化算法中最常用的方法是反向传播算法,在每次迭代开始先选取一小部分训练数据,这一小部分数据叫做一个batch, 可以计算出当前神经网络模型的预测答案与正确答案之间的差距。基于这个预测值和真实值之间的差距,去更新神经网络的参数。
如下是placeholfer机制的使用案例:
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# author:Icecream.Shao
import tensorflow as tf
tf.reset_default_graph()
w1=tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1),name="w1")
w2=tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1),name="w2")
x=tf.placeholder(tf.float32,shape=(1,2),name="input")
a=tf.matmul(x, w1)
y=tf.matmul(a, w2)
sess=tf.Session()
init_op=tf.initialize_all_variables()
sess.run(init_op)
print(sess.run(y,feed_dict={x:[[0.7,0.9]]}))
然后第3章里示例了一个完整的样例
batch size为8,128个样本,用了placeholder,定义了前向传播算法(只有一层隐藏层),并没有加入激活函数和偏置项,训练了5000次,定义了损失函数。可以认为是一个线性的神经网络
接着讲用激活函数实现去线性化(加上激活函数和偏置项),激活函数有ReLU, Sigmoid,tanh函数
接着重点讲解了损失函数,提到了交叉熵是常用的评判方法之一。softmax回归将神经网络的输出变成一个概率分布。
有了求出的概率分布后,容易计算出交叉熵,公式为:
假设某个样本的正确答案是(1,0,0)
经softmax回归之后的预测答案是(0.5,0.4,0.1),那么交叉熵为:
H((1,0,0),(0.5,0.4,0.1))=-(1*log0.5+0*log0.4+0*log0.1)~0.3
tf.clip_by_value函数可以限制张量中的数值限制在一个范围内,可以避免一些运算错误,比如log0.
tf.mean函数可以求平均值,求得一个batch平均交叉熵。
tensorflow提供tf.nn.softmax_cross_entropy_with_logits(y,y_)做了封装,来计算该batch回归之后的交叉熵。
又介绍了解决回归问题最常用的损失函数均方误差
除了以上介绍的两个函数外,还可以自定义其它损失函数
接下来重点介绍了神经网络的优化算法,
(1)用梯度下降算法调整神经网络中的参数取值
假设初始值为5,学习率0.3,梯度下降算法优化函数(损失函数的大小)J(x)=x^2
轮数 | 当前轮参数值 | 梯度*学习率 | 更新后参数值 |
1 | 5 | 2*5*0.3=3 | 5-3=2 |
2 | 2 | 2*2*0.3=1.2 | 2-1.2=0.8 |
3 | 0.8 | 2*0.8*0.3=0.48 | 0.8-0.48=0.32 |
4 | 0.32 | 2*0.32*0.3=0.192 | 0.32-0.192=0.128 |
5 | 0.128 | 2*0.128*0.3=0.0768 | 0.128-0.0768=0.0512 |
梯度下降算法并不能保证被优化函数达到全局最优,只有当损失函数为凸函数时,梯度下降算法才能保证达到全局最优解
一般会综合梯度下降算法和随机梯度下降算法,
(2)学习率(初始学习率,衰减系数和衰减速度)
(3)正则化(在损失函数中加入刻画模型复杂程度的指标),L1正则化和L2正则化
w=tf.Variable(tf.random_normal([2,1], stddev=1,seed=1))
y=tf.matmul(x,w)
loss=tf.reduce_mean(tf.square(y_-y))+tf.contrib.layers.l2_regularizer(lambda )(w)
这边的损失函数由两部分组成,第一个部分是均方差损失函数,第二个部分是正则化
可以使用tensorflow中提供的集合collection来计算损失函数
mse_loss=tf.reduce_mean(tf.square(y_ - cur_layer))
tf.add_to_collection('losses',mse_loss)
loss = tf.add_n(tf.get_collection('losses'))
最后介绍了滑动平均模型tf.train.ExponentialMovingAverage()
shadow_variable函数为影子变量,variable为代更新的变量,decay为衰减率。
接下来介绍了Mnist数据集,然后给出结合以上所有优化手段训练只有一个隐藏层的神经网络MLP
结论:在神经网络结构的设计上,需要使用激活函数和多层隐藏层,在神经网络优化时,可以使用指数衰减学习率,加入正则化损失函数,滑动平均模型。由于在MNIST,模型收敛速度很快。
使用所有优化,不用滑动平均,不用正则化,不同指数衰减学习率的正确率到98%多
不用隐藏层,不用激活函数时,只能到92%
接下来讲了变量管理。当tf.variable_scope函数使用参数reuse=True生成上下文管理器时,这个上下文管理器内所有的tf.get_variable函数会直接获取已经创建的变量。如果变量不存在,就会报错。
当tf.variable_scope函数使用参数reuse=False生成上下文管理器时,tf.get_variable操作将创建新的变量。如果同名的变量已经存在,则tf.get_variable函数将报错。
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# author:Icecream.Shao
import tensorflow as tf
with tf.variable_scope("foo"):
v=tf.get_variable("v",[1],initializer=tf.constant_initializer(1.0))
#如下语句
with tf.variable_scope("foo"):
v=tf.get_variable("v",[1])
with tf.variable_scope("foo",reuse=True):
v1 = tf.get_variable("v",[1])
print(v==v1)
#如下语句会报错
with tf.variable_scope("bar",reuse=True):
v=tf.get_variable("v",[1])
tf.variable_scope函数除了可以控制tf.get_variable执行的功能之外,这个函数也提供了一个管理变量命名空间的方式。
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# author:Icecream.Shao
import tensorflow as tf
v1=tf.get_variable("v",[1])
print(v1.name)
with tf.variable_scope("foo"):
v2=tf.get_variable("v",[1])
print(v2.name)
with tf.variable_scope("foo"):
with tf.variable_scope("bar"):
v3=tf.get_variable("v",[1])
print(v3.name)
v4 = tf.get_variable("v1",[1])
print(v4.name)
with tf.variable_scope("",reuse=True):
v5=tf.get_variable("foo/bar/v")
print(v5==v3)
v6=tf.get_variable("foo/v1")
print(v6==v4)
with tf.Session() as sess:
#sess.run(tf.global_variables_initializer())
tf.initialize_all_variables().run()
print("v1: ", v1.eval())
print("v2: ", v2.eval())
print("v3: ", v3.eval())
print("v4: ", v4.eval())
print("v5: ", v5.eval())
print("v6: ", v6.eval())
结果为:v1: [-0.61839104]
v2: [0.03291154]
v3: [0.9467553]
v4: [-0.49030578]
v5: [0.9467553]
v6: [-0.49030578]
接下来讲了模型持久化,tf.train.Saver()会保存运行tensorflow程序所需要的的全部信息
结合变量管理机制和tensorflow模型持久化机制,介绍了一个tensorflow训练神经网络的最佳实践,将训练和测试分为两个独立的程序,有三个程序mnist_inference.py, mnist_train.py,mnist_eval.py
mnisy_inference.py程序如下:
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# author:Icecream.Shao
# -*- coding: utf-8 -*-
import tensorflow as tf
# 定义神经网络结构相关的参数
INPUT_NODE = 784
OUTPUT_NODE = 10
LAYER1_NODE = 500
# 通过tf.get_variable函数来获取变量。在训练神经网络时会创建这些变量;在测试时会通
# 过保存的模型加载这些变量的取值。而且更加方便的是,因为可以在变量加载时将滑动平均变
# 量重命名,所以可以直接通过相同的名字在训练时使用变量自身,而在测试时使用变量的滑动
# 平均值。在这个函数中也会将变量的正则化损失加入到损失集合。
def get_weight_variable(shape, regularizer):
weights = tf.get_variable(
"weights", shape,
initializer=tf.truncated_normal_initializer(stddev=0.1)
)
# 当给出了正则化生成函数时,将当前变量的正则化损失加入名字为losses的集合。在这里
# 使用了add_to_collection函数将一个张量加入一个集合,而这个集合的名称为losses。
# 这是自定义的集合,不在TensorFlow自动管理的集合列表中。
if regularizer != None:
tf.add_to_collection('losses', regularizer(weights))
return weights
# 定义神经网络的前向传播过程
def inference(input_tensor, regularizer):
# 声明第一层神经网络的变量并完成前向传播过程。
with tf.variable_scope('layer1'):
# 这里通过tf.get_variable或者tf.Variable没有本质区别,因为在训练或者测试
# 中没有在同一个程序中多次调用这个函数。如果在同一个程序中多次调用,在第一次
# 调用之后需要将reuse参数设置为True。
weights = get_weight_variable(
[INPUT_NODE, LAYER1_NODE], regularizer
)
biases = tf.get_variable(
"biases", [LAYER1_NODE],
initializer=tf.constant_initializer(0.0)
)
layer1 = tf.nn.relu(tf.matmul(input_tensor, weights)+biases)
# 类似的声明第二层神经网络的变量并完成前向传播过程。
with tf.variable_scope('layer2'):
weights = get_weight_variable(
[LAYER1_NODE, OUTPUT_NODE], regularizer
)
biases = tf.get_variable(
"biases", [OUTPUT_NODE],
initializer=tf.constant_initializer(0.0)
)
layer2 = tf.matmul(layer1, weights) + biases
# 返回最后前向传播的结果
return layer2
mnist_train.py程序如下:
# -*- coding: utf-8 -*-
import os
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
# 加载mnist_inference.py中定义的常量和前向传播的函数。
import mnist_inference
# 配置神经网络的参数。
BATCH_SIZE = 100
LEARNING_RATE_BASE = 0.8
LEARNING_RATE_DECAY = 0.99
REGULARIZATION_RATE = 0.0001
TRAINING_STEPS = 10000
MOVING_AVERAGE_DECAY = 0.99
# 模型保存的路径和文件名
MODEL_SAVE_PATH = "./model/"
MODEL_NAME = "model.ckpt"
def train(mnist):
# 定义输入输出placeholder。
x = tf.placeholder(tf.float32, [None, mnist_inference.INPUT_NODE], name='x-input')
y_ = tf.placeholder(tf.float32, [None, mnist_inference.OUTPUT_NODE], name='y-input')
regularizer = tf.contrib.layers.l2_regularizer(REGULARIZATION_RATE)
# 直接使用mnist_inference.py中定义的前向传播过程
y = mnist_inference.inference(x, regularizer)
global_step = tf.Variable(0, trainable=False)
# 定义损失函数、学习率、滑动平均操作以及训练过程
variable_averages = tf.train.ExponentialMovingAverage(
MOVING_AVERAGE_DECAY, global_step
)
variable_averages_op = variable_averages.apply(
tf.trainable_variables()
)
cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(
logits=y, labels=tf.argmax(y_, 1)
)
cross_entropy_mean = tf.reduce_mean(cross_entropy)
loss = cross_entropy_mean + tf.add_n(tf.get_collection('losses'))
learning_rate = tf.train.exponential_decay(
LEARNING_RATE_BASE,
global_step,
mnist.train.num_examples / BATCH_SIZE,
LEARNING_RATE_DECAY
)
train_step = tf.train.GradientDescentOptimizer(learning_rate)\
.minimize(loss, global_step=global_step)
with tf.control_dependencies([train_step, variable_averages_op]):
train_op = tf.no_op(name='train')
# 初始化TensorFlow持久化类
saver = tf.train.Saver()
writer = tf.summary.FileWriter("D:\\tensorflow-log\\test_mlp_true_net", tf.get_default_graph())
writer.close()
with tf.Session() as sess:
tf.global_variables_initializer().run()
# 在训练过程中不再测试模型在验证数据上的表现,验证和测试的过程将会有一个独
# 立的程序来完成。
for i in range(TRAINING_STEPS):
xs, ys = mnist.train.next_batch(BATCH_SIZE)
_, loss_value, step = sess.run([train_op, loss, global_step],
feed_dict={x: xs, y_: ys})
# 每1000轮保存一次模型
if i % 1000 == 0:
# 输出当前的训练情况。这里只输出了模型在当前训练batch上的损失
# 函数大小。通过损失函数的大小可以大概了解训练的情况。在验证数
# 据集上正确率的信息会有一个单独的程序来生成
print("After %d training step(s), loss on training "
"batch is %g." % (step, loss_value))
# 保存当前的模型。注意这里给出了global_step参数,这样可以让每个
# 被保存的模型的文件名末尾加上训练的轮数,比如“model.ckpt-1000”,
# 表示训练1000轮之后得到的模型。
saver.save(
sess, os.path.join(MODEL_SAVE_PATH, MODEL_NAME),
global_step=global_step
)
# 将当前的计算图输出到TensorBoard日志文件。
def main(argv=None):
mnist = input_data.read_data_sets("./data", one_hot=True)
train(mnist)
if __name__ == "__main__":
tf.app.run()
mnist_eval.py程序如下:
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# author:Icecream.Shao
import time
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
# 加载mnist_inference.py 和mnist_train.py中定义的常量和函数。
import mnist_inference
import mnist_train
# 每10秒加载一次最新的模型,并且在测试数据上测试最新模型的正确率
EVAL_INTERVAL_SECS = 10
def evaluate(mnist):
with tf.Graph().as_default() as g:
# 定义输入输出的格式。
x = tf.placeholder(
tf.float32, [None, mnist_inference.INPUT_NODE], name='x-input'
)
y_ = tf.placeholder(
tf.float32, [None, mnist_inference.OUTPUT_NODE], name='y-input'
)
validate_feed = {x: mnist.validation.images,
y_: mnist.validation.labels}
# 直接通过调用封装好的函数来计算前向传播的结果。因为测试时不关注ze正则化损失的值
# 所以这里用于计算正则化损失的函数被设置为None。
y = mnist_inference.inference(x, None)
# 使用前向传播的结果计算正确率。如果需要对未知的样例进行分类,那么使用
# tf.argmax(y,1)就可以得到输入样例的预测类别了。
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
# 通过变量重命名的方式来加载模型,这样在前向传播的过程中就不需要调用求滑动平均
# 的函数来获取平均值了。这样就可以完全共用mnist_inference.py中定义的
# 前向传播过程。
variable_averages = tf.train.ExponentialMovingAverage(
mnist_train.MOVING_AVERAGE_DECAY
)
variables_to_restore = variable_averages.variables_to_restore()
saver = tf.train.Saver(variables_to_restore)
# 每隔EVAL_INTERVAL_SECS秒调用一次计算正确率的过程以检验训练过程中正确率的
# 变化。
while True:
with tf.Session() as sess:
# tf.train.get_checkpoint_state函数会通过checkpoint文件自动
# 找到目录中最新模型的文件名。
ckpt = tf.train.get_checkpoint_state(
mnist_train.MODEL_SAVE_PATH
)
if ckpt and ckpt.model_checkpoint_path:
# 加载模型。
saver.restore(sess, ckpt.model_checkpoint_path)
# 通过文件名得到模型保存时迭代的轮数。
global_step = ckpt.model_checkpoint_path\
.split('/')[-1].split('-')[-1]
accuracy_score = sess.run(accuracy,
feed_dict=validate_feed)
print("After %s training step(s), validation "
"accuracy = %g" % (global_step, accuracy_score))
else:
print("No checkpoint file found")
return
time.sleep(EVAL_INTERVAL_SECS)
def main(argv=None):
mnist = input_data.read_data_sets("./data", one_hot=True)
evaluate(mnist)
if __name__ == "__main__":
tf.app.run()
卷积神经网络能够很好的利用图像的结构信息,在全连接神经网络中,每相邻两层之间的节点都有边相连,对于卷积神经网络,相邻两层之间只有部分节点相连。tensorflow训练一个卷积神经网络和全连接神经网络没有任何区别。对于mnist数据集,假设用全连接神经网络,每一张图片的大小为28*28*1,所以输入有28*28*1个节点,假设第一层隐藏层的节点数为500个,那么一个全连接神经网络有28*28*500+500个参数。假设是cifar-10图像,大小为32*32*3,则输入层有32*32*3个节点,假设隐藏层有500个节点,则有32*32*3*500+500~150万个参数。
CNN主要有三大特色,分别是局部感知、权重共享和多卷积核。
局部感知就是所说的感受野,实际上就是卷积核和图像卷积的时候,每次卷积核所覆盖的像素只是一小部分,是局部特征,所以说是局部感知。感受野的计算见我之前的博客
权重共享,不同的图像或者同一张图像共用一个卷积核,减少重复的卷积核。同一张图像当中可能会出现相同的特征,共享卷积核能够进一步减少权值参数。
多卷积核,一种卷积核代表的是一种特征,为获得更多不同的特征集合,卷积层会有多个卷积核,生成不同的特征,这也是为什么卷积后的图片的高,每一个图片代表不同的特征,一般输出单位节点矩阵的深度代表卷积核的个数
共享每一层卷积层中过滤器中的参数可巨幅减少神经网络上的参数。以cifar-10问题为例,输入层矩阵的维度为32*32*3,假设第一层卷积层使用尺寸为5*5,深度为16的过滤器,那么这个卷积层参数的个数为5*5*3*16+16=1216个。相比较前面150万个参数减少很多。
全0填充,一定步长,一定大小的过滤器卷积后的图像大小计算见我之前博客。
可以自己构建一个参数矩阵去遍历图像实现
当中四维矩阵前两维代表过滤器的尺寸,第三个代表深度,第四个表示过滤器的深度
filter_weight = tf.get_variable('weights',[5,5,3,16],initializer=tf.truncated_normal_initializer(stddev=0.1))
biases=tf.get_variable('biases',[16],initializer=tf.constant_initializer(0.1))
但可以用tf.nn.conv2d来实现卷积层前向传播的算法,第一个输入为当前层的节点矩阵,这个矩阵是四维矩阵,后面三维对应一个节点矩阵,第一维对应一个输入batch, 第二个参数提供了卷积层的权重,第三个参数为不同维度上的步长,第一维和最后一维的数字要求一定为1,最后一个是填充的方法,SAME表示全0填充,VALID表示不添加
conv = tf.nn.conv2d(input,filter_weight,strides=[1,1,1,1],padding='SAME')
bias = tf.nn.bias_add(conv, biases)
actived_conv = tf.nn.relu(bias)
一个卷积神经网络主要由以下5中结构组成:
输入层、卷积层、池化层、全连接层、softmax层
pool=tf.nn.max_pool(actived_conv,ksize=[1,3,3,1],strides=[1,2,2,1],padding="SAME")
和卷积层类似,要先传入四维矩阵,第二个参数为过滤器的尺寸,第三个参数为步长,第四个参数和卷积层设置保持一致
接下来分析了经典的卷积网络模型LeNet-5模型,可以对比我的博客:caffe使用命令行方式训练预测mnist、cifar10及自己的数据集中caffe实现的LeNet-5结构
并给出了实现LetNet-5模型的tensorflow程序,只需要修改前面的mnist_inference.py即可,在这个程序中使用了dropout方法,dropout可以进一步提升模型可靠性并防止过拟合,dropout过程只在训练时使用。
后面又介绍了Inception-v3模型
后面又介绍了卷积神经网络迁移学习的程序示例
图像数据处理,多线程输入,循环神经网络,计算加速。
tensorflow源码编译可见我之前的博客win7下VS2015编译tensorflow源码教程(在线和离线)及调用配置
不同于caffe,使用tensorflow框架基本还是在python环境下去搭建网络结构(可结合keras快速搭建),训练和测试
我的其它博客有介绍如何源码编译caffe,并在matlab、python、c++环境下去搭建网络、训练网络、预测图片
其中keras的.h5模型可以转化为tensorflow的pb模型,供c++及python版tensorflow使用。对我而言如果需要用c++环境去训练和预测图片,我会优先选择caffe来做。如果是python环境去训练和预测图片,我会优先考虑tensorflow结合keras。caffe也可以输出网络结构图及打印损失率及精度曲线,我的其它博客有介绍。目前来看常用的还是用在python环境下使用tensorflow或者keras去定义网络结构, 该训练好的模型可以生成pb文件,直接给c++版的tensorflow去预测。很少去用tensorflow 的c++版去训练网络结构。
补充:
1.正则化的好的帖子
深度学习入门——神经网络的正则化_神经网络正则化_yasNing的博客-CSDN博客
04-03 Deep_Neural_Network--正则化与Dropout - 知乎
2.训练集和验证集
【深度学习】训练集、测试集和验证集_训练集测试集验证集_莫克_Cheney的博客-CSDN博客
深度学习:08 训练、测试和验证集的说明_训练验证测试_夏天是冰红茶的博客-CSDN博客
验证集的作用是调整超参数,那么Keras的验证集的作用在训练过程中调整了哪些超参数? - 知乎
验证集的作用是调整超参数,那么Keras的验证集的作用在训练过程中调整了哪些超参数? - 知乎
https://www.cnblogs.com/renyuzhuo/p/12617224.html
训练集(train)验证集(validation)测试集(test)与交叉验证法 - 知乎
交叉验证与训练集、验证集、测试集_训练集,验证集,测试集的处理顺序_chaolei_9527的博客-CSDN博客
3.网络参数和计算量
全卷积神经网络(FCN)和卷积神经网络(CNN)的主要区别_全卷积神经网络和卷积神经网络_来包番茄沙司的博客-CSDN博客
卷积神经网络( CNN)与全卷积神经网络(FCN)_全卷积神经网络和卷积神经网络_展希希鸿的博客-CSDN博客
深度学习卷积网络浮点计算量和参数量的计算(附Pytorch代码) - 知乎
轻量级网络-Mobilenet系列(v1,v2,v3) - 知乎
普通卷积与深度可分离卷积的区别_深度可分离卷积与普通卷积的区别_肖飒风的博客-CSDN博客
https://www.cnblogs.com/dengshunge/p/11334640.html
4.卷积类型