改进后的网络

最新推荐文章于 2022-04-20 09:35:10 发布
最新推荐文章于 2022-04-20 09:35:10 发布
阅读量318 收藏
点赞数
分类专栏： 深度学习-pytorch
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/weixin_44469416/article/details/113091817
版权

Layer (type) Output Shape Param # Connected to

input_1 (InputLayer) (None, array(64), ar 0

separable_conv2d_5 (SeparableCo (None, 62, 62, 16) 91 input_1[0][0]

separable_conv2d_1 (SeparableCo (None, 62, 62, 32) 155 input_1[0][0]

batch_normalization_5 (BatchNor (None, 62, 62, 16) 64 separable_conv2d_5[0][0]

batch_normalization_1 (BatchNor (None, 62, 62, 32) 128 separable_conv2d_1[0][0]

activation_5 (Activation) (None, 62, 62, 16) 0 batch_normalization_5[0][0]

activation_1 (Activation) (None, 62, 62, 32) 0 batch_normalization_1[0][0]

max_pooling2d_1 (MaxPooling2D) (None, 31, 31, 16) 0 activation_5[0][0]

average_pooling2d_1 (AveragePoo (None, 31, 31, 32) 0 activation_1[0][0]

separable_conv2d_6 (SeparableCo (None, 29, 29, 16) 416 max_pooling2d_1[0][0]

separable_conv2d_2 (SeparableCo (None, 29, 29, 32) 1344 average_pooling2d_1[0][0]

batch_normalization_6 (BatchNor (None, 29, 29, 16) 64 separable_conv2d_6[0][0]

batch_normalization_2 (BatchNor (None, 29, 29, 32) 128 separable_conv2d_2[0][0]

activation_6 (Activation) (None, 29, 29, 16) 0 batch_normalization_6[0][0]

activation_2 (Activation) (None, 29, 29, 32) 0 batch_normalization_2[0][0]

max_pooling2d_2 (MaxPooling2D) (None, 14, 14, 16) 0 activation_6[0][0]

average_pooling2d_2 (AveragePoo (None, 14, 14, 32) 0 activation_2[0][0]

separable_conv2d_7 (SeparableCo (None, 12, 12, 16) 416 max_pooling2d_2[0][0]

separable_conv2d_3 (SeparableCo (None, 12, 12, 32) 1344 average_pooling2d_2[0][0]

batch_normalization_7 (BatchNor (None, 12, 12, 16) 64 separable_conv2d_7[0][0]

batch_normalization_3 (BatchNor (None, 12, 12, 32) 128 separable_conv2d_3[0][0]

activation_7 (Activation) (None, 12, 12, 16) 0 batch_normalization_7[0][0]

activation_3 (Activation) (None, 12, 12, 32) 0 batch_normalization_3[0][0]

max_pooling2d_3 (MaxPooling2D) (None, 6, 6, 16) 0 activation_7[0][0]

average_pooling2d_3 (AveragePoo (None, 6, 6, 32) 0 activation_3[0][0]

separable_conv2d_8 (SeparableCo (None, 4, 4, 16) 416 max_pooling2d_3[0][0]

separable_conv2d_4 (SeparableCo (None, 4, 4, 32) 1344 average_pooling2d_3[0][0]

batch_normalization_8 (BatchNor (None, 4, 4, 16) 64 separable_conv2d_8[0][0]

batch_normalization_4 (BatchNor (None, 4, 4, 32) 128 separable_conv2d_4[0][0]

activation_8 (Activation) (None, 4, 4, 16) 0 batch_normalization_8[0][0]

activation_4 (Activation) (None, 4, 4, 32) 0 batch_normalization_4[0][0]

conv2d_3 (Conv2D) (None, 14, 14, 10) 170 max_pooling2d_2[0][0]

conv2d_4 (Conv2D) (None, 14, 14, 10) 330 average_pooling2d_2[0][0]

conv2d_5 (Conv2D) (None, 31, 31, 10) 170 max_pooling2d_1[0][0]

conv2d_6 (Conv2D) (None, 31, 31, 10) 330 average_pooling2d_1[0][0]

conv2d_1 (Conv2D) (None, 4, 4, 10) 170 activation_8[0][0]

conv2d_2 (Conv2D) (None, 4, 4, 10) 330 activation_4[0][0]

max_pooling2d_4 (MaxPooling2D) (None, 3, 3, 10) 0 conv2d_3[0][0]

average_pooling2d_4 (AveragePoo (None, 3, 3, 10) 0 conv2d_4[0][0]

max_pooling2d_5 (MaxPooling2D) (None, 3, 3, 10) 0 conv2d_5[0][0]

average_pooling2d_5 (AveragePoo (None, 3, 3, 10) 0 conv2d_6[0][0]

flatten_1 (Flatten) (None, 160) 0 conv2d_1[0][0]

flatten_2 (Flatten) (None, 160) 0 conv2d_2[0][0]

flatten_3 (Flatten) (None, 90) 0 max_pooling2d_4[0][0]

flatten_4 (Flatten) (None, 90) 0 average_pooling2d_4[0][0]

flatten_5 (Flatten) (None, 90) 0 max_pooling2d_5[0][0]

flatten_6 (Flatten) (None, 90) 0 average_pooling2d_5[0][0]

dropout_1 (Dropout) (None, 160) 0 flatten_1[0][0]

dropout_2 (Dropout) (None, 160) 0 flatten_2[0][0]

dropout_3 (Dropout) (None, 90) 0 flatten_3[0][0]

dropout_4 (Dropout) (None, 90) 0 flatten_4[0][0]

dropout_5 (Dropout) (None, 90) 0 flatten_5[0][0]

dropout_6 (Dropout) (None, 90) 0 flatten_6[0][0]

dense_1 (Dense) (None, 3) 483 dropout_1[0][0]

dense_2 (Dense) (None, 3) 483 dropout_2[0][0]

dense_4 (Dense) (None, 3) 273 dropout_3[0][0]

dense_5 (Dense) (None, 3) 273 dropout_4[0][0]

dense_7 (Dense) (None, 3) 273 dropout_5[0][0]

dense_8 (Dense) (None, 3) 273 dropout_6[0][0]

multiply_2 (Multiply) (None, 3) 0 dense_1[0][0]
dense_2[0][0]

multiply_4 (Multiply) (None, 3) 0 dense_4[0][0]
dense_5[0][0]

multiply_6 (Multiply) (None, 3) 0 dense_7[0][0]
dense_8[0][0]

dense_3 (Dense) (None, 6) 24 multiply_2[0][0]

dense_6 (Dense) (None, 6) 24 multiply_4[0][0]

dense_9 (Dense) (None, 6) 24 multiply_6[0][0]

multiply_1 (Multiply) (None, 160) 0 flatten_1[0][0]
flatten_2[0][0]

multiply_3 (Multiply) (None, 90) 0 flatten_3[0][0]
flatten_4[0][0]

multiply_5 (Multiply) (None, 90) 0 flatten_5[0][0]
flatten_6[0][0]

pred_age_stage1 (Dense) (None, 3) 21 dense_3[0][0]

pred_age_stage2 (Dense) (None, 3) 21 dense_6[0][0]

pred_age_stage3 (Dense) (None, 3) 21 dense_9[0][0]

delta_s1 (Dense) (None, 1) 161 multiply_1[0][0]

delta_s2 (Dense) (None, 1) 91 multiply_3[0][0]

delta_s3 (Dense) (None, 1) 91 multiply_5[0][0]

local_delta_stage1 (Dense) (None, 3) 21 dense_3[0][0]

local_delta_stage2 (Dense) (None, 3) 21 dense_6[0][0]

local_delta_stage3 (Dense) (None, 3) 21 dense_9[0][0]

pred_a (Lambda) (None, 1) 0 pred_age_stage1[0][0]
pred_age_stage2[0][0]
pred_age_stage3[0][0]
delta_s1[0][0]
delta_s2[0][0]
delta_s3[0][0]
local_delta_stage1[0][0]
local_delta_stage2[0][0]
local_delta_stage3[0][0]

Total params: 10,393
Trainable params: 10,009
Non-trainable params: 384

DEBUG:root:Saving model…
DEBUG:root:Running training…
Epoch 1/90

/* 杠到底 */
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
layer output 激活函数_keras 定义激活函数及layer
weixin_39569894的博客
12-20 379
自定义激活函数通过定义个操作 Tensor 的函数，然后将其添加到 keras 系统中即可。from keras.utils.generic_utils import get_custom_objectsdef binary(x):# 注: tf.greater 函数没有 gradient 函数，因此在运行时候会报错# ValueError: An operation has `None` for...
CNN卷积函数Conv2D()各参数的含义及用法
魔法探戈
07-23 5万+
首先我们放出tf2.0关于tf.keras.layers.Conv2D()函数的官方文档，然后逐一对每个参数的含义和用法进行解释： tf.keras.layers.Conv2D( filters, kernel_size, strides=(1, 1), padding='valid', data_format=None, dilation_rate=(1, 1), activation=None, use_bias=True, kernel_initializer='glorot_
Conv2d函数详解（Pytorch）
热门推荐
qq_43363657的博客
02-15 6万+
本文是基于Pytorch框架下的API ：Conv2d（）。该函数使用在二维输入，另外还有Conv1d（）、Conv3d（），其输入分别是一维和三维。下面将介绍Conv2d（）的参数。 一、参数介绍 def __init__( self, in_channels: int, out_channels: int, kernel_size: _size_2_t, stride: _size_2_t = 1, p.
Metrics2
qq_34535410的博客
04-13 747
# -*- coding: utf-8 -*- """ @Author : zhwzhong @License : (C) Copyright 2013-2018, hit @Contact : zhwzhong.hit@gmail.com @Software: PyCharm @File : metrics.py @Time : 2018/10/8 09:4...
论文Mobilenet v1 的网络结构和参数图
qq_44644355的博客
11-13 370
Layer (type) Output Shape Param # input_1 (InputLayer) [(None, 224, 224, 3)] 0 conv1_pad (ZeroPadding2D) (None, 226, 226, 3) 0 conv1 (Conv2D) (None, 112, 112, 32) 864 conv1_bn (BatchN.
BPnet.rar_改进神经网络
07-14
介绍BP神经网络的一篇文章，讲解了一种改进学习的算法，比国内的要早很多
YOLO系列网络的改进仓库
最新发布
03-28
YOLO系列网络的改进仓库项目主要是对YOLO算法进行改进和优化，以提高目标检测的准确性和速度。 以下是几个YOLO系列网络的改进仓库项目的简介： 1. YOLOv2：YOLOv2是YOLO的第二个版本，通过引入Darknet-19网络作为...
无线传感器网络路由协议与改进
01-19
　无线传感器网络WSN(Wireless Sensor Network)是传感器、通信和计算机3种技术相结合的产物，南于无线传感器网络将逻辑信息世界与客观物理世界融合在一起，改变了人类与自然界的交互方式，因而具有广泛的应用前景。...
BP.rar_BP预测_改进神经网络
09-14
这是关于改进型隐节点合成的BP神经网络模型，很好用，可以用于多种预测。
改进胶囊网络优化分成卷积的亚健康识别
07-07
针对传统卷积神经网络（CNN）为获得高准确率不断堆叠卷积层、池化层致使模型结构复杂、训练时间长且数据处理方式单一的问题，提出改进胶囊网络优化分层卷积的亚健康识别算法。首先，对原始振动数据进行小波降噪和小...
PreDamEnv：准备开发环境的自动化脚本
02-04
准备那样的发展环境 这他妈到底是什么？ 这是一个Shell脚本，可自动执行配置步骤以设置软件开发环境。 特征： 下载软件包，检查环境，配置依赖项，安装，测试，发布，部署和调整工作流程步骤。 在发展中.. 需要很好地组织批处理脚本和工作流程。
Keras深度学习实战（2）——使用Keras构建神经网络
盼小辉丶的博客
04-20 6万+
Keras 是用 Python 编写的高级神经网络 API，它的核心思想在于实现快速实验，该库提供了很多实用工具，可以简化构建复杂神经网络的过程。在本节中，我们将使用 Keras 库构建神经网络，感受 Keras 快速模型构建的特性。.........
keras中summary()打印上一篇的网络函数
计算机研究生
03-29 7967
>>>print(model.summary()) __________________________________________________________________________________________________ Layer (type) Output Shape Param # C...
keras的某一层输出之二
NLP与推荐算法
03-28 415
接很久之前的一篇，今天主要考虑的问题是FC dense层后面如果有dropout层该怎么办？ 模型如下： Layer (type) Output Shape Param # ================================================================= input_1 (Inp...
深度学习之多层感知器（代码可直接运行）
WUHU648的博客
01-08 2596
多层感知器（MLP） 问题引入： （1）根据检测数据x1、x2及其标签，判断x1=0.7、x2=0.6时所属类别 如果采用逻辑回归，因为边界函数并不是单一的直线或圆之类的函数，所以这个逻辑回归边界函数不很好找到，如果初始数据属性有100项甚至更多项，那么形成的多项式数据量会非常庞大。 （2）根据各个国家100项指标，判断其未来5年的发展潜力 这样的数据有多个指标，那么其二次多项式个数就会更加多。 （3）自动识别图片中的动物是猫还是狗。 计算机对于图片看到的是一个二维数组的数值，其中有图像RGB值，灰度
2021-01-24
weixin_44469416的博客
01-24 119
Layer (type) Output Shape Param # Connected to img (InputLayer) (None, 32, 32, 3) 0 conv2d_1 (Conv2D) (None, 30, 30, 32) 896 img[0][0] conv2d_2 (Conv2D) (None, 28, 28.
PredRNN: Recurrent Neural Networks for Predictive Learning using Spatiotemporal LSTMs
空字符
03-06 3726
这是一篇2017年发表在顶级期刊NIPS上的文章，作者通过发现传统RNN/LSTM网络的不足，提出了一种新的网络结构PredRNN，并且为这一网络结构设计了一种新的RNN单元（ST-LSTM)。由于博主能力有限，通过阅读原文短时间能只是领悟到PredRNN这一网络结构的思想，而并未对ST-LSTM的设计灵感有更深的体会。 下面这篇博文主要是来介绍一下什么是PredRNN，以及通过作者的设计思路...
HEVC代码学习13：predInterSearch函数
慢慢积累
05-18 6529
在上一章的xCheckRDCostInter学习中，我们知道了，进行帧间搜索的入口实际是predInterSearch，今天我们就来对他进行学习。 推荐看大神博客 http://blog.csdn.net/nb_vol_1/article/details/51162391predInterSearch主要作用是进行运动估计和运动补偿。 1.对CU的每一个PU遍历参考列表中的参考图像，进行运动估
HM编码器代码阅读(14)——帧间预测之AMVP模式（二）predInterSearch函数
NB_vol_1的专栏
04-15 1万+
predInterSearch主要的工作是ME（运动估计）和MC（运动补偿）。 函数中有一个bTestNormalMC变量，它表示是否进行正常的MC过程，正常的MC过程就是进行ME再进行MC。 正常的MC流程是，遍历所有的参考帧，进行ME（运动估计：xEstimateMvPredAMVP）,然后记录AVP或者MV的信息，进行MC（运动补偿，目的是选出最优的参数），然后更新最优的参数，遍历完所有
改进后的卷积神经网络算法
05-25
卷积神经网络（Convolutional Neural Network，CNN）已经成为计算机视觉领域中最常用的神经网络模型之一，它通过卷积层的特征提取和池化层的降采样来实现对图像的分类、检测等任务。针对传统的CNN模型存在的一些缺点，如难以处理长程依赖关系和复杂的数据结构，近年来出现了一些改进后的卷积神经网络算法，如下： 1. ResNet：ResNet（Residual Network）提出了“残差学习”的概念，通过将输入与输出之间的差异作为残差来训练深层神经网络，使得网络可以更好地处理深层次的特征。 2. DenseNet：DenseNet（Densely Connected Convolutional Networks）通过将所有层之间的特征连接起来，使得网络可以更好地利用先前层的特征，从而提高了网络的效率和准确率。 3. InceptionNet：InceptionNet（GoogleNet）通过使用多个尺度的卷积核和不同的池化操作来处理不同尺寸的特征，从而提高了网络的性能。 4. MobileNet：MobileNet采用深度可分离卷积（Depthwise Separable Convolution）来减少参数量和计算量，使得网络可以在移动设备上高效地运行。 5. ShuffleNet：ShuffleNet通过使用通道重排（Channel Shuffle）来增加每个卷积层中的信息交流，从而提高了网络的准确率。 这些改进后的卷积神经网络算法在不同的任务中都取得了很好的表现，对于特定的问题可以根据具体情况选择适合的模型。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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