利用TensorFlow实现VGG16

最新推荐文章于 2024-07-23 10:06:30 发布

v1_vivian

最新推荐文章于 2024-07-23 10:06:30 发布

阅读量2.8w

点赞数 11

分类专栏： TensorFlow 深度学习教程文章标签： TensorFlow TFRecord VGG

本文链接：https://blog.csdn.net/v1_vivian/article/details/77898652

版权

本文介绍如何利用TensorFlow实现VGG16网络结构。内容涵盖网络参数定义、层类型定义、网络结构搭建、训练过程以及主函数。在训练过程中，采用TFRecord作为数据输入，并对epochs进行了计算，确保数据完整遍历一次。

摘要由CSDN通过智能技术生成

上一篇文章，实现了网络的输入，这次继续完成网络的训练，网络采用VGG16的结构。其中为了方便，keep_prob无论是训练还是测试，都这成了1，大家应该根据需要feed进不同的值。网络的输入TFRecord.createBatch（），为上一篇文章中产生数据的方法。

1.定义网络参数

import tensorflow as tf
import numpy as np
import TFRecord

#定义网络参数
learning_rate = 0.001
display_step = 5
epochs = 10
keep_prob = 0.5

2.定义各种类型的层

#定义卷积操作
def conv_op(input_op, name, kh, kw, n_out, dh, dw):
    input_op = tf.convert_to_tensor(input_op)
    n_in = input_op.get_shape()[-1].value
    with tf.name_scope(name) as scope:
        kernel = tf.get_variable(scope+"w",
                                shape = [kh, kw, n_in, n_out],
                                dtype = tf.float32,
                                initializer = tf.contrib.layers.xavier_initializer_conv2d())
        conv = tf.nn.conv2d(input_op, kernel, (1, dh, dw, 1), padding = 'SAME')
        bias_init_val = tf.constant(0.0, shape = [n_out], dtype = tf.float32)
        biases = tf.Variable(bias_init_val, trainable = True, name = 'b')
        z = tf.nn.bias_add(conv, biases)
        activation = tf.nn.relu(z, name = scope)
        return activation

#定义全连接操作
def fc_op(input_op, name, n_out):
    n_in = input_op.get_shape()[-1].value
    with tf.name_scope(name) as scope:
        kernel = tf.get_variable(scope&