第二部分:build_network
这部分主要是实现了 yolo 网络模型的构成,可以清楚的看到网络的组成,而且为了使程序更加简洁,构建网络使用的是 TensorFlow 中的 slim 模块,主要的函数有slim.arg_scope slim.conv2d slim.fully_connected 和 slim.dropoout等,具体程序及注释如下所示:
def build_network(self,
images,
num_outputs,
alpha,
keep_prob=0.5,
is_training=True,
scope='yolo'):
'''
构建YOLO网络
args:
images:输入图片占位符 [None,image_size,image_size,3] 这里是[None,448,448,3]
num_outputs:标量,网络输出节点数 1470
alpha:泄露修正线性激活函数 系数0.1
keep_prob:弃权 保留率
is_training:训练?
scope:命名空间名
return:
返回网络最后一层,激活函数处理之前的值 形状[None,1470]
'''
#定义变量命名空间
with tf.variable_scope(scope):
#定义共享参数 使用l2正则化
with slim.arg_scope(
[slim.conv2d, slim.fully_connected],
activation_fn=leaky_relu(alpha),
weights_regularizer=slim.l2_regularizer(0.0005),
weights_initializer=tf.truncated_normal_initializer(0.0, 0.01)
):
logging.info('image shape{0}'.format(images.shape))
#pad_1 填充 454x454x3
net = tf.pad(
images, np.array([[0, 0], [3, 3], [3, 3], [0, 0]]),
name='pad_1')
logging.info('Layer pad_1 {0}'.format(net.shape))
#卷积层conv_2 s=2 (n-f+1)/s向上取整 224x224x64
net = slim.conv2d(
net, 64, 7, 2, padding='VALID