darknet53网络结构及配置文件对比

探讨下 https://blog.csdn.net/zhqh100/article/details/94737221 下各位大神的提问，darknet里面有没有maxpooling层，只是探讨，如有错误也请指出

通过以下几个方向来分析

1. 我最初学习该网络结构是通过mxnet来学习的，因为其官方库中包含了yolov3的代码，比较容易上手，而且直接支持 TensorFlow 这边的 eager 模式，mxnet上面应该是叫做 imperative，即命令式编程，http://zh.gluon.ai/chapter_computational-performance/hybridize.html，方便调试打印，而 TensorFlow 还没找到官方的 yolov3 的工程，虽然有民间大神做的

根据https://github.com/pjreddie/darknet/blob/master/cfg/yolov3.cfg 中的配置来找 https://blog.csdn.net/zhqh100/article/details/94737221中的网络结构直接的对应关系，

yolov3.cfg中有五处 # Downsample 的注释，其中对应的参数均为 stride=2，其对应的 filters 为：

37行：filters=64

67行：filters=128

117行：filters=256

288行：filters=512

463行：filters=1024

而 https://blog.csdn.net/zhqh100/article/details/94737221 中，对应下采样的几行：

第12行：Conv2D-4 (1, 64, 256, 352)

第24行：Conv2D-14 (1, 128, 128, 176)

第44行：Conv2D-31 (1, 256, 64, 88)

第113行：Conv2D-90 (1, 512, 32, 44)

第182行：Conv2D-149 (1, 1024, 16, 22)

可见filter是完全对应的，所以这个网络结构不是瞎编的，确实是通过卷积时的stride=2来实现的

 

 

2. 网上有看到文章，链接为https://blog.csdn.net/haoqimao_hard/article/details/82109015， 包含如下图片

其中的Convolutional 512 3 X 3 / 2，应该是一目了然，确实是通过conv的stride来下采样的

 

主要是懒得看代码了，所以通过一些简单的分析，来互相验证(*^▽^*)

本文完

——————————————————————————————————————

 

闲聊

*  *  *  *  *  *  *  *  *  *  *  *  *  *  *  *  *  *  *  *  *  *  *  *  *  *  *  *  *  *  *  *  *  *  *  *  *  *  *  *  * 

各位要修改网络结构吗？我觉得像 darknet 这样的结构，也没有那么神圣吧，感觉不过就是一些卷积、池化、残差互相的堆积，自己拼凑一下也能搞出一个神经网络结构，提高步长和池化都可以达到下采样的类似效果，不一定哪个结构就一定比另一个结构准确率更高吧，所以，个人觉得，何必这么纠结  ^_^

 

我现在比较喜欢MobileNet