ResNet_V2_152层---TensorFlow

ResNet

#实现ResNet_V2_152
import tensorflow as tf
import collections
import time
from datetime import datetime
import math

slim = tf.contrib.slim

WARNING: Logging before flag parsing goes to stderr.
W0823 11:38:07.735526  5364 lazy_loader.py:50] 
The TensorFlow contrib module will not be included in TensorFlow 2.0.
For more information, please see:
  * https://github.com/tensorflow/community/blob/master/rfcs/20180907-contrib-sunset.md
  * https://github.com/tensorflow/addons
  * https://github.com/tensorflow/io (for I/O related ops)
If you depend on functionality not listed there, please file an issue.

'''使用collections.namedtuple设计ResNet基本Block模块组的named tuple，并用它创建Block类'''
 
'''一个典型的Block
    需要输入参数，分别是scope、unit_fn、args
    以Block('block1', bottleneck, [(256, 64, 1)] * 2 + [(256, 64, 2)])为例，
    它可以定义一个典型的Block
    其中
        1、block1就是这个Block的名称(或scope)
        2、bottleneck是ResNet V2中的残差学习单元
        3、[(256, 64, 1)] * 2 + [(256, 64, 2)]时这个Block的args，args是一个列表，
        其中每一个元素都对应一个bottleneck残差学习单元，
        前面两个都是(256, 64, 1)，最后一个是(256, 64, 2)。
        每个元素都是一个三元tuple，即(depth, depth_bottleneck, stride)
        比如(256, 64, 3)，代表构建的bottleneck残差学习单元(每个残差学习单元包含三个卷积层)中，
        第三层卷积输出通道数为256，
        前两层卷积输出通道数depth_bottleneck为64，且中间那层的步长stride为3
    
'''
class Block(collections.namedtuple('Block', ['scope', 'unit_fn', 'args'])):
    'a named tuple decribing a ResNet block.'

'''降采样的方法'''
def subsample(inputs, factor, scope=None):
    #如果采样因子为1，之间返回输出
    if factor == 1:
        return inputs
    #否则，最大池化处理，步长为采样因子
    else:
        return slim.max_pool2d(inputs, [1, 1], stride=factor, scope=scope)

'''创建卷积层'''
def conv2d_same(inputs, num_outputs, kernel_size, stride, scope=None):
    
 
    if stride == 1:
        return slim.conv2d(inputs, num_outputs, kernel_size, stride=1, padding='SAME', scope=scope)
    else:
        #步长不为1，则显示地pad zero
        pad_total = kernel_size - 1
        pad_beg = pad_total // 2
        pad_end = pad_total - pad_beg
        #补零操作，在第二和第三个维度上进行补零操作
        inputs = tf.pad(inputs, [[0, 0], [pad_beg, pad_end], [pad_beg, pad_end], [0, 0]])
        return slim.conv2d(inputs, num_outputs, kernel_size, stride=stride, padding='VALID', scope=scope)

@slim.add_arg_scope
def stack_blocks_dense(net, blocks, outputs_collections=None):
    '''堆叠Blocks的函数，net为输入，bloks为Block类的列表，
    outputs_collections时用来收集各个end_points
    '''
    #遍历每一个Block
    for block in blocks:
        #使用两个tf.variable_scope将残差学习单元命名为block1/unit_1的形式
        with tf.variable_scope(block.scope, 'block', [net])