【神经网络框架&参数对比】

YOLO V1网络框架（ 学习笔记来自：头歌实践教学平台）

网络参数展示图：

 输出网络结构：

网络结构： _________________________________________________________________

Layer (type)                                      Output Shape                     Param #

=================================================================

conv2d_1 (Conv2D)                          (None, 224, 224, 64)            1792 _________________________________________________________________

max_pooling2d_1 (MaxPooling2       (None, 112, 112, 64)             0 _________________________________________________________________

conv2d_2 (Conv2D)                          (None, 112, 112, 192)          110784 _________________________________________________________________

max_pooling2d_2 (MaxPooling2        (None, 56, 56, 192)            0 _________________________________________________________________

conv2d_3 (Conv2D)                           (None, 56, 56, 128)            24704 _________________________________________________________________

conv2d_4 (Conv2D)                          (None, 56, 56, 256)            295168 _________________________________________________________________

conv2d_5 (Conv2D)                           (None, 56, 56, 256)           65792 _________________________________________________________________

conv2d_6 (Conv2D)                          (None, 56, 56, 512)           1180160 _________________________________________________________________

max_pooling2d_3 (MaxPooling2         (None, 28, 28, 512)             0 _________________________________________________________________

conv2d_7 (Conv2D)                              (None, 28, 28, 256)          131328 _________________________________________________________________

conv2d_8 (Conv2D)                             (None, 28, 28, 512)            1180160 _________________________________________________________________

conv2d_9 (Conv2D)                            (None, 28, 28, 256)              131328 _________________________________________________________________

conv2d_10 (Conv2D)                         (None, 28, 28, 512)               1180160 _________________________________________________________________

conv2d_11 (Conv2D)                          (None, 28, 28, 256)                131328 _________________________________________________________________

conv2d_12 (Conv2D)                         (None, 28, 28, 512)                 1180160 _________________________________________________________________

conv2d_13 (Conv2D)                          (None, 28, 28, 256)                131328 _________________________________________________________________

conv2d_14 (Conv2D)                          (None, 28, 28, 512)                1180160 _________________________________________________________________

conv2d_15 (Conv2D)                           (None, 28, 28, 512)               262656 _________________________________________________________________

conv2d_16 (Conv2D)                          (None, 28, 28, 1024)             525312 _________________________________________________________________

max_pooling2d_4 (MaxPooling2         (None, 14, 14, 1024)                   0 _________________________________________________________________

conv2d_17 (Conv2D)                            (None, 14, 14, 512)             524800 _________________________________________________________________

conv2d_18 (Conv2D)                            (None, 14, 14, 1024)            4719616 _________________________________________________________________

conv2d_19 (Conv2D)                            (None, 14, 14, 512)              524800 _________________________________________________________________

conv2d_20 (Conv2D)                            (None, 14, 14, 1024)             4719616 _________________________________________________________________

conv2d_21 (Conv2D)                            (None, 14, 14, 1024)            9438208 _________________________________________________________________

conv2d_22 (Conv2D)                              (None, 7, 7, 1024)             9438208 _________________________________________________________________

conv2d_23 (Conv2D)                               (None, 7, 7, 1024)           9438208 _________________________________________________________________

conv2d_24 (Conv2D)                              (None, 7, 7, 1024)            9438208 _________________________________________________________________

flatten_1 (Flatten)                                    (None, 50176)                     0 _________________________________________________________________

dense_1 (Dense)                                     (None, 4096)                    205524992 _________________________________________________________________

dropout_1 (Dropout)                                (None, 4096)                    0 _________________________________________________________________

dense_2 (Dense)                                     (None, 1470)                    6022590 =================================================================

Total params: 267,501,566

Trainable params: 267,501,566

Non-trainable params: 0

_________________________________________________________________

参考代码：

import tensorflow as tf

def createYOLO_v1_Model(tiny=True):

    if tiny:

        # 序贯模型（Sequential):单输入单输出，一条路通到底，层与层之间只有相邻关系，没有跨层连接。

        models = tf.keras.Sequential([

            # 卷积层相关参数:卷积核64个，卷积核大小为3*3，步长为2，填充为same，输入图片尺寸为448x448x3，而激活函数为LeakyReLU，超参数为0.1

            tf.keras.layers.Conv2D(64, (3, 3), strides=2, padding='same', input_shape=(448, 448, 3), activation=tf.keras.layers.LeakyReLU(0.1)),

            # 池化层相关参数：池化大小为2*2，步长为2

            tf.keras.layers.MaxPooling2D((2, 2), strides=2),

            tf.keras.layers.Conv2D(192, (3, 3), strides=1, padding='same', activation=tf.keras.layers.LeakyReLU(0.1)),

            tf.keras.layers.MaxPooling2D((2, 2), strides=2),

            tf.keras.layers.Conv2D(128, (1, 1), strides=1, padding='same', activation=tf.keras.layers.LeakyReLU(0.1)),

            tf.keras.layers.Conv2D(256, (3, 3), strides=1, padding='same', activation=tf.keras.layers.LeakyReLU(0.1)),

            tf.keras.layers.Conv2D(256, (1, 1), strides=1, padding='same', activation=tf.keras.layers.LeakyReLU(0.1)),

            tf.keras.layers.Conv2D(512, (3, 3), strides=1, padding='same', activation=tf.keras.layers.LeakyReLU(0.1)),

            # 请在此添加代码，根据左侧展示图补充池化层代码

            ########## Begin ##########

            tf.keras.layers.MaxPooling2D((2, 2), strides=2),

            ######### End ##########    

            tf.keras.layers.Conv2D(256, (1, 1), strides=1, padding='same', activation=tf.keras.layers.LeakyReLU(0.1)),

            tf.keras.layers.Conv2D(512, (3, 3), strides=1, padding='same', activation=tf.keras.layers.LeakyReLU(0.1)),

            tf.keras.layers.Conv2D(256, (1, 1), strides=1, padding='same', activation=tf.keras.layers.LeakyReLU(0.1)),

            tf.keras.layers.Conv2D(512, (3, 3), strides=1, padding='same', activation=tf.keras.layers.LeakyReLU(0.1)),

            tf.keras.layers.Conv2D(256, (1, 1), strides=1, padding='same', activation=tf.keras.layers.LeakyReLU(0.1)),

            tf.keras.layers.Conv2D(512, (3, 3), strides=1, padding='same', activation=tf.keras.layers.LeakyReLU(0.1)),

            tf.keras.layers.Conv2D(256, (1, 1), strides=1, padding='same', activation=tf.keras.layers.LeakyReLU(0.1)),

            tf.keras.layers.Conv2D(512, (3, 3), strides=1, padding='same', activation=tf.keras.layers.LeakyReLU(0.1)),

            tf.keras.layers.Conv2D(512, (1, 1), strides=1, padding='same', activation=tf.keras.layers.LeakyReLU(0.1)),

            tf.keras.layers.Conv2D(1024, (1, 1), strides=1, padding='same', activation=tf.keras.layers.LeakyReLU(0.1)),

            tf.keras.layers.MaxPooling2D((2, 2), strides=2),

 

            tf.keras.layers.Conv2D(512, (1, 1), strides=1, padding='same', activation=tf.keras.layers.LeakyReLU(0.1)),

            tf.keras.layers.Conv2D(1024, (3, 3), strides=1, padding='same', activation=tf.keras.layers.LeakyReLU(0.1)),

            tf.keras.layers.Conv2D(512, (1, 1), strides=1, padding='same', activation=tf.keras.layers.LeakyReLU(0.1)),

            tf.keras.layers.Conv2D(1024, (3, 3), strides=1, padding='same', activation=tf.keras.layers.LeakyReLU(0.1)),

            tf.keras.layers.Conv2D(1024, (3, 3), strides=1, padding='same', activation=tf.keras.layers.LeakyReLU(0.1)),

            # 请在此添加代码，根据左侧展示图补充卷积层代码

            ########## Begin ##########

            tf.keras.layers.Conv2D(1024, (3, 3), strides=2, padding='same', activation=tf.keras.layers.LeakyReLU(0.1)),

            tf.keras.layers.Conv2D(1024, (3, 3), strides=1, padding='same', activation=tf.keras.layers.LeakyReLU(0.1)),

            tf.keras.layers.Conv2D(1024, (3, 3), strides=1, padding='same', activation=tf.keras.layers.LeakyReLU(0.1)),

            ########## End ##########  

            # 请在此添加代码，根据左侧内容提示补充扁平层代码

            ########## Begin ##########

            tf.keras.layers.Flatten(),

            ########## End ##########    

            # 全连接层

            tf.keras.layers.Dense(4096, activation=tf.keras.layers.LeakyReLU(0.1)),

            # 请在此添加代码，根据左侧内容提示补充Dropout层代码，超参数是0.5，可以缓解过拟合操作

            ########## Begin ##########

            tf.keras.layers.Dropout(0.6),

            ########## End ##########    

            # 输出一个7*7*30的张量

            tf.keras.layers.Dense(7*7*30)])

        return models

model = createYOLO_v1_Model()

print('网络结构：')

model.summary()