tensorflow2 实现MobileNetV1网络结构及可视化

最新推荐文章于 2024-07-26 13:24:37 发布
最新推荐文章于 2024-07-26 13:24:37 发布
阅读量1k 收藏
点赞数 4
分类专栏： 深度学习 文章标签： tensorflow 人工智能 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42025868/article/details/121246565
版权

网络结构

在这里插入图片描述

代码展示


from tensorflow.keras.layers import SeparableConv2D, Dense, Dropout, Conv2D, MaxPool2D, Flatten, BatchNormalization, Activation, Add, Input, ZeroPadding2D, GlobalAvgPool2D
from plot_model import plot_model
from tensorflow.keras.models import Model
from tensorflow.keras.layers import SeparableConv2D, Dense, Dropout, Conv2D, MaxPool2D, Flatten, BatchNormalization, Activation, Add, Input, ZeroPadding2D, GlobalAvgPool2D
def Depth_Con_block(x, filters=32, strides=1):
    # 深度卷积
    x = DepthwiseConv2D(kernel_size=3, strides=strides, padding='same')(x)
    x = BatchNormalization()(x)
    x = ReLU(max_value=6)(x)

    # 逐点卷积
    x = Conv2D(filters=filters, kernel_size=1, strides=1, padding='same')(x)
    x = BatchNormalization()(x)
    x = ReLU(6)(x)

    return x

def MobileNetV1(input_size, classes):
    x = Conv2D(filters=32, kernel_size=3, strides=2, padding='same')(input_size)
    x = BatchNormalization()(x)
    x = ReLU(6)(x)
    x = Depth_Con_block(x, filters=64)
    x = Depth_Con_block(x, filters=128, strides=2)
    x = Depth_Con_block(x, filters=128)
    x = Depth_Con_block(x, filters=256, strides=2)
    x = Depth_Con_block(x, filters=256)
    x = Depth_Con_block(x, filters=512, strides=2)
    for i in range(5):
        x = Depth_Con_block(x, filters=512)
    x = Depth_Con_block(x, filters=1024, strides=2)
    x = Depth_Con_block(x, filters=1024, strides=1)
    x = AveragePooling2D(pool_size=(7, 7), strides=1)(x)
    x = Dense(classes, activation='softmax')(x)

    return x

inputs = Input(shape=(224,224,3))
model = Model(inputs=inputs, outputs=MobileNetV1(inputs, num_classes))
model.summary()

输出：

Model: "model"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_1 (InputLayer)         [(None, 224, 224, 3)]     0         
_________________________________________________________________
conv2d (Conv2D)              (None, 112, 112, 32)      896       
_________________________________________________________________
batch_normalization (BatchNo (None, 112, 112, 32)      128       
_________________________________________________________________
re_lu (ReLU)                 (None, 112, 112, 32)      0         
_________________________________________________________________
depthwise_conv2d (DepthwiseC (None, 112, 112, 32)      320       
_________________________________________________________________
batch_normalization_1 (Batch (None, 112, 112, 32)      128       
_________________________________________________________________
re_lu_1 (ReLU)               (None, 112, 112, 32)      0         
_________________________________________________________________
conv2d_1 (Conv2D)            (None, 112, 112, 64)      2112      
_________________________________________________________________
batch_normalization_2 (Batch (None, 112, 112, 64)      256       
_________________________________________________________________
re_lu_2 (ReLU)               (None, 112, 112, 64)      0         
_________________________________________________________________
depthwise_conv2d_1 (Depthwis (None, 56, 56, 64)        640       
_________________________________________________________________
batch_normalization_3 (Batch (None, 56, 56, 64)        256       
_________________________________________________________________
re_lu_3 (ReLU)               (None, 56, 56, 64)        0         
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 56, 56, 128)       8320      
_________________________________________________________________
batch_normalization_4 (Batch (None, 56, 56, 128)       512       
_________________________________________________________________
re_lu_4 (ReLU)               (None, 56, 56, 128)       0         
_________________________________________________________________
depthwise_conv2d_2 (Depthwis (None, 56, 56, 128)       1280      
_________________________________________________________________
batch_normalization_5 (Batch (None, 56, 56, 128)       512       
_________________________________________________________________
re_lu_5 (ReLU)               (None, 56, 56, 128)       0         
_________________________________________________________________
conv2d_3 (Conv2D)            (None, 56, 56, 128)       16512     
_________________________________________________________________
batch_normalization_6 (Batch (None, 56, 56, 128)       512       
_________________________________________________________________
re_lu_6 (ReLU)               (None, 56, 56, 128)       0         
_________________________________________________________________
depthwise_conv2d_3 (Depthwis (None, 28, 28, 128)       1280      
_________________________________________________________________
batch_normalization_7 (Batch (None, 28, 28, 128)       512       
_________________________________________________________________
re_lu_7 (ReLU)               (None, 28, 28, 128)       0         
_________________________________________________________________
conv2d_4 (Conv2D)            (None, 28, 28, 256)       33024     
_________________________________________________________________
batch_normalization_8 (Batch (None, 28, 28, 256)       1024      
_________________________________________________________________
re_lu_8 (ReLU)               (None, 28, 28, 256)       0         
_________________________________________________________________
depthwise_conv2d_4 (Depthwis (None, 28, 28, 256)       2560      
_________________________________________________________________
batch_normalization_9 (Batch (None, 28, 28, 256)       1024      
_________________________________________________________________
re_lu_9 (ReLU)               (None, 28, 28, 256)       0         
_________________________________________________________________
conv2d_5 (Conv2D)            (None, 28, 28, 256)       65792     
_________________________________________________________________
batch_normalization_10 (Batc (None, 28, 28, 256)       1024      
_________________________________________________________________
re_lu_10 (ReLU)              (None, 28, 28, 256)       0         
_________________________________________________________________
depthwise_conv2d_5 (Depthwis (None, 14, 14, 256)       2560      
_________________________________________________________________
batch_normalization_11 (Batc (None, 14, 14, 256)       1024      
_________________________________________________________________
re_lu_11 (ReLU)              (None, 14, 14, 256)       0         
_________________________________________________________________
conv2d_6 (Conv2D)            (None, 14, 14, 512)       131584    
_________________________________________________________________
batch_normalization_12 (Batc (None, 14, 14, 512)       2048      
_________________________________________________________________
re_lu_12 (ReLU)              (None, 14, 14, 512)       0         
_________________________________________________________________
depthwise_conv2d_6 (Depthwis (None, 14, 14, 512)       5120      
_________________________________________________________________
batch_normalization_13 (Batc (None, 14, 14, 512)       2048      
_________________________________________________________________
re_lu_13 (ReLU)              (None, 14, 14, 512)       0         
_________________________________________________________________
conv2d_7 (Conv2D)            (None, 14, 14, 512)       262656    
_________________________________________________________________
batch_normalization_14 (Batc (None, 14, 14, 512)       2048      
_________________________________________________________________
re_lu_14 (ReLU)              (None, 14, 14, 512)       0         
_________________________________________________________________
depthwise_conv2d_7 (Depthwis (None, 14, 14, 512)       5120      
_________________________________________________________________
batch_normalization_15 (Batc (None, 14, 14, 512)       2048      
_________________________________________________________________
re_lu_15 (ReLU)              (None, 14, 14, 512)       0         
_________________________________________________________________
conv2d_8 (Conv2D)            (None, 14, 14, 512)       262656    
_________________________________________________________________
batch_normalization_16 (Batc (None, 14, 14, 512)       2048      
_________________________________________________________________
re_lu_16 (ReLU)              (None, 14, 14, 512)       0         
_________________________________________________________________
depthwise_conv2d_8 (Depthwis (None, 14, 14, 512)       5120      
_________________________________________________________________
batch_normalization_17 (Batc (None, 14, 14, 512)       2048      
_________________________________________________________________
re_lu_17 (ReLU)              (None, 14, 14, 512)       0         
_________________________________________________________________
conv2d_9 (Conv2D)            (None, 14, 14, 512)       262656    
_________________________________________________________________
batch_normalization_18 (Batc (None, 14, 14, 512)       2048      
_________________________________________________________________
re_lu_18 (ReLU)              (None, 14, 14, 512)       0         
_________________________________________________________________
depthwise_conv2d_9 (Depthwis (None, 14, 14, 512)       5120      
_________________________________________________________________
batch_normalization_19 (Batc (None, 14, 14, 512)       2048      
_________________________________________________________________
re_lu_19 (ReLU)              (None, 14, 14, 512)       0         
_________________________________________________________________
conv2d_10 (Conv2D)           (None, 14, 14, 512)       262656    
_________________________________________________________________
batch_normalization_20 (Batc (None, 14, 14, 512)       2048      
_________________________________________________________________
re_lu_20 (ReLU)              (None, 14, 14, 512)       0         
_________________________________________________________________
depthwise_conv2d_10 (Depthwi (None, 14, 14, 512)       5120      
_________________________________________________________________
batch_normalization_21 (Batc (None, 14, 14, 512)       2048      
_________________________________________________________________
re_lu_21 (ReLU)              (None, 14, 14, 512)       0         
_________________________________________________________________
conv2d_11 (Conv2D)           (None, 14, 14, 512)       262656    
_________________________________________________________________
batch_normalization_22 (Batc (None, 14, 14, 512)       2048      
_________________________________________________________________
re_lu_22 (ReLU)              (None, 14, 14, 512)       0         
_________________________________________________________________
depthwise_conv2d_11 (Depthwi (None, 7, 7, 512)         5120      
_________________________________________________________________
batch_normalization_23 (Batc (None, 7, 7, 512)         2048      
_________________________________________________________________
re_lu_23 (ReLU)              (None, 7, 7, 512)         0         
_________________________________________________________________
conv2d_12 (Conv2D)           (None, 7, 7, 1024)        525312    
_________________________________________________________________
batch_normalization_24 (Batc (None, 7, 7, 1024)        4096      
_________________________________________________________________
re_lu_24 (ReLU)              (None, 7, 7, 1024)        0         
_________________________________________________________________
depthwise_conv2d_12 (Depthwi (None, 7, 7, 1024)        10240     
_________________________________________________________________
batch_normalization_25 (Batc (None, 7, 7, 1024)        4096      
_________________________________________________________________
re_lu_25 (ReLU)              (None, 7, 7, 1024)        0         
_________________________________________________________________
conv2d_13 (Conv2D)           (None, 7, 7, 1024)        1049600   
_________________________________________________________________
batch_normalization_26 (Batc (None, 7, 7, 1024)        4096      
_________________________________________________________________
re_lu_26 (ReLU)              (None, 7, 7, 1024)        0         
_________________________________________________________________
average_pooling2d (AveragePo (None, 1, 1, 1024)        0         
_________________________________________________________________
dense (Dense)                (None, 1, 1, 2)           2050      
=================================================================
Total params: 3,241,858
Trainable params: 3,219,970
Non-trainable params: 21,888
_________________________________________________________________

网络可视化

plot_model(model,
           to_file='MobileNetV1.png',
           show_shapes=True,
           show_layer_names=False,
           rankdir='TB',
           expand_nested=False,
           style = 0,
           color = True,
           dpi=200)

在这里插入图片描述

Haohao+++
关注
  • 4
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
基于TensorFlow2的MobileNetv2模型--在凯斯西储轴承诊断数据集上的测试（3）
cnjs1994的博客
06-14 406
基于TensorFlow2的MobileNetv2轻量级卷积模型在凯斯西储轴承数据集上的测试。
使用tensorflow.keras.applications模块搭建MobileNetV2迁移学习框架
热门推荐
qq_29463399的博客
07-30 1万+
目录 1.构建迁移学习模型及其模型可视化 ............(未完待续) 1.构建迁移学习模型及其模型可视化 要实现使用plot_model方法实现模型可视化，需要安装： pip install graphviz pip install pydot_ng 然后，https://graphviz.gitlab.io/_pages/Download/Download_windo...
探索高效移动计算：TensorFlow实现的MobileNetV3
gitblog_00032的博客
06-08 278
探索高效移动计算：TensorFlow实现的MobileNetV3 在这个快速发展的AI时代，轻量级但高效的模型在移动设备上起着至关重要的作用。MobileNetV3便是这样一款专为移动计算优化的深度学习模型。现在，我们有了一个非官方的TensorFlow实现版本，它不仅提供了小型和大型两种架构，还集成了易于使用的API，让开发变得简单易行。 项目地址:https://gitcode.com/Bi...
2024年最全MobileNet实战：tensorflow2(1)
2401_84170414的博客
05-03 464
├─train.py├─test1.py└─test.py训练新建train.pyimport cv2import os这里可以看出tensorflow2.0以上的版本集成了Keras，我们在使用的时候就不必单独安装Keras了，以前的代码升级到tensorflow2.0以上的版本将keras前面加上tensorflow即可。tensorflow说完了，再说明一下几个重要的全局参数：norm_size = 224, 设置输入图像的大小，MobileNetV2默认的图片尺寸是224×224。
【TensorFlow】神经网络中间层截取、可视化中间层结果
qq_41340996的博客
09-13 3111
在预测的过程中，想要将神经网络模型的中间层结果获取到，并进行可视化。 训练过程中搭建的模型代码如下： class_num = 3 base_model = tf.keras.applications.MobileNetV2(input_shape=IMG_SHAPE, include_top=False, weights=
基于 Tensorflow 2.x 使用 MobileNetV2 微调模型优化训练花卉图像识别模型
小毕超博客
01-02 2527
使用预训练的优秀模型和权重来从新样本中提取特征，最后同样给到一个新的分类器，但不同的是预训练模型的全部或某些层的权重被冻结，不会随着反向传播进行修改，只是略微调整了模型结构，这种方式不会破坏训练模型。深度学习模型应用于小型图像数据集场景下，一般由于数据量的局限性，导致模型提取特征有限，进而影响识别的准确度，一种常用且非常高效的优化方式便是使用预训练网络模型。：使用预训练的优秀模型和权重来从新样本中提取特征，最后给到一个新的分类器，从头开始训练，之前的权重会随着反向传播进行修改。
18.1:tensorflow分类模型mobilenetv2训练(数据增强,保存模型,衰减学习率,tensorboard)，预测图像(单张,批量预测)，导出为pb完整示例
u010397980的博客
12-09 1万+
从前有个小孩子在学习tensorflow，于是他买了几本tensorflow书籍，他发现各种书籍里面讲的示例都是使用mnist数据集。由于框架已经封装好了，在使用数据时用一条命令就可以加载数据了，他也不知道这些数据是怎么被读取的。于是乎，他在训练自己的模型时碰到的数据都是一张张图像，仍然无从下手（一脸懵逼）。除此之外，他还想加一些其他功能，如怎么动态调节学习率，怎么使用tensorboar...
TensorFlow2.0 学习笔记（四）：迁移学习（MobileNetV2）
种树最好的时间是10年前，其次是现在！！！
10-16 9019
专栏——TensorFlow学习笔记 文章目录专栏——TensorFlow学习笔记一、数据处理1.1_下载数据集1.2_数据预处理1.3_数据增强1.4_数据可视化二、构建模型2.1_可视化模型2.2_设置训练参数2.3_编译和训练模型2.4_可视化训练指标三、使用预训练的模型3.1_下载预训练模型3.2_添加分类层3.3_训练Mobile模型3.4_微调预训练网络推荐阅读参考文章 下面我们准备使...
深度学习-71: Tensorflow的架构、模型、可视化和案例库
智能多媒体
10-16 2154
深度学习-71: Tensorflow的架构、模型、可视化和案例库。文本介绍Tensorflow的架构，Tensorflow内置数据集，Tensorflow内置模型、内置可视化支持和相关在线资源。Tensorflow一个高度模块化的神经网络库，支持GPU和CPU。TensorFlow是一个使用数据流图进行数值计算的开源软件库。TensorFlow最初是由研究人员和工程师在Google机器智能研究组织的Google Brain团队开发的，目的是进行机器学习和深度神经网络研究。 该系统通用性足以适用于各种其他领
从Tensorflow模型文件中解析并显示网络结构图（CKPT模型篇）
huachao1001的专栏
11-08 1万+
上一篇文章《从Tensorflow模型文件中解析并显示网络结构图（pb模型篇）》中介绍了如何从pb模型文件中提取网络结构图并实现可视化,本文介绍如何从CKPT模型文件中提取网络结构图并实现可视化。理论上，既然能从pb模型文件中提取网络结构图，CKPT模型文件自然也不是问题，但是其中会有一些问题。 1 解析CKPT网络结构 解析CKPT网络结构的第一步是读取CKPT模型中的图文件，得到图的Graph...
轻量化神经网络之mobilenet v2 v3 ONNX 文件
05-10
同时，可以使用可视化工具，如Netron，来直观地查看网络结构。理解模型的每一层以及它们如何协同工作，对于提升深度学习技能非常有帮助。 总结来说，这个压缩包提供了MobileNet V2和V3的ONNX模型，是研究轻量化神经...
基于Tensorflow实现CenterNet.zip
03-28
2. 构建网络架构：使用TensorFlow的layers API或Keras构建CenterNet的网络结构，包括主干特征提取网络（如ResNet、MobileNetV2等）和后续的检测头（Head）部分。 3. 定义损失函数：设计损失函数来衡量预测关键点、...
MobileNetV1&V2;的论文和PPT
05-24
MobileNetV2则引入了“Inverted Residuals with Linear Bottlenecks”结构，对V1进行了优化。在V2中，瓶颈层的激活函数由线性取代，目的是在信息传递过程中保持模型的表达能力。此外，V2还通过增加扩张卷积（Dilated...
Python-MoGA超越MobileNetV3的神经架构搜索小米AI的最新NAS成果
08-11
2. **模型性能**：MoGA能够在有限的计算资源下，找到超越MobileNetV3性能的网络结构，对于移动设备上的应用具有重大意义。 3. **推动研究**：MoGA的成功展示了遗传算法在NAS领域的潜力，可能启发更多的研究者探索新...
Python-实现论文AutoDeepLab分层神经架构搜索语义图像分割
08-11
3. **构建网络结构**：AutoDeepLab使用了MobileNetV2或Xception作为基础架构，并在此基础上进行搜索。实现时，需要根据论文描述，构建可变的卷积层、跳跃连接以及残差块等组件，形成分层的搜索空间。 4. **搜索算法...
TensorFlow 的基本概念和使用场景
roc_ever的博客
07-24 377
它的核心概念包括张量、计算图和会话，并提供了丰富的 API 和工具，简化了模型的构建和训练过程。阶是指张量的维度数，形状是指每一维度的大小，类型是指数据的类型（如浮点数、整数等）。TensorFlow 提供了高层次的 API，如 tf.keras 和 tf.estimator，简化了模型的构建和训练过程。TensorFlow 也支持强化学习任务，通过与 OpenAI Gym 等工具结合，开发者可以构建和训练智能体，在不同的环境中进行决策和学习。通过会话，用户可以在计算图中执行操作，并获取结果。
深度学习tensorflow的基本内容
2301_76777096的博客
07-24 302
4、random -->normal创建一个正态分布的数据,truncated_normal截断一部分数据, uniform创建一个均匀分布的数据, shuffle随机打散。numpy(): 查看常量的数据， dtype: 查看常量的的类型， shape查看常量的形状， ndim, rank: 查看常量的维度。将Tensor常量转化为能求导的Tensor : Variable --> trainable查看是否可求导， name。.int(整型) float(浮点型) double(双浮点型)
2024钉钉杯A题思路详解
最新发布
全栈川川
07-26 1490
2024钉钉杯思路
TensorFlow入门：构建神经网络与可视化教程
TensorflowIntroB03901048EE3...总结起来，这个PPT提供了一个全面的入门指南，从基础概念到实际操作，帮助读者掌握如何使用TensorFlow构建、训练和可视化神经网络。无论是对初学者还是进阶者，都是一个很好的学习资料。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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