【TensorFlow2.0】如何搭建网络模型？

栏目: 数据库 · 发布时间: 4年前

内容简介：大家好，这是专栏我们知道在不考虑输入层的情况下，一个典型的卷积神经网络通常由若干个卷积层、激活层、池化层及全连接层组成，无论是最经典的LeNet5，还是前两天刚出现的MobileNet V3，无一不都包含这些层。今天就带大家学习下如何使用TensorFlow2.0搭建卷积神经网络模型。作者&编辑 | 汤兴旺

大家好，这是专栏 《TensorFlow2.0》 的第四篇文章，讲述网络模型的搭建。

我们知道在不考虑输入层的情况下，一个典型的卷积神经网络通常由若干个卷积层、激活层、池化层及全连接层组成，无论是最经典的LeNet5，还是前两天刚出现的MobileNet V3，无一不都包含这些层。今天就带大家学习下如何使用TensorFlow2.0搭建卷积神经网络模型。

作者&编辑 | 汤兴旺

上一期，我们讲解了如何使用TensorFlow2.0从自己的磁盘读取数据，今天我们就来看看如何使用层来搭建网络。

1 使用Keras API构建网络模型架构

在Keras API中，定义网络是比较简单的，我们主要用到的就是 Sequential类 ，下面看看如何具体使用它来定义网络：

from tensorflow.keras import Sequential

conv_net = Sequential([

layers.Dense(32,activation = "relu",input_shape = (784,)),

layers.Dense(10,activation = "softmax")])

我们可以把Sequential理解为一个容器，然后把layers搭建的每层模型都送进这个容器中，构成整个网络模型。值得注意的layers搭建的每层模型要想放进这个容器中必须是list结构。

另外我们需要搭建的卷积层，全连接层，池化层等都在layers这个类中。下面我们看一个包含卷积层，全连接层，池化层比较完整的结构,如下：

from tensorflow.keras import Sequential

conv_layers = [

#units1

layers.Conv2D(64, kernel_size=[3,3],padding="same",activation = tf.nn.relu),

layers.MaxPool2D(pool_size=[2,2],strides=2,padding="same"),

#units2

layers.Conv2D(128, kernel_size=[3,3],padding="same",activation = tf.nn.relu),

layers.MaxPool2D(pool_size=[2,2],strides=2,padding="same"),

#units3

layers.Conv2D(256, kernel_size=[3,3],padding="same",activation = tf.nn.relu),

layers.MaxPool2D(pool_size=[2,2],strides=2,padding="same"),

#units4

layers.Conv2D(512, kernel_size=[3,3],padding="same",activation = tf.nn.relu),

layers.MaxPool2D(pool_size=[2,2],strides=2,padding="same"),

#units5

layers.Conv2D(512, kernel_size=[3,3],padding="same",activation = tf.nn.relu),

layers.MaxPool2D(pool_size=[2,2],strides=2,padding="same")]

conv_net =Sequential(conv_layers)

fc_net = Sequential([

layers.Dense(4096,activation=tf.nn.relu),

layers.Dense(4096, activation=tf.nn.relu),

layers.Dense(1000, activation=None),

])

上面的模型中我们首先通过layers.Conv2D()、layers.MaxPool2D()构建模型的卷积网络层conv_layers，注意看我是把这个层放在了一个list中的，然后我把这个list即conv_layers放进了Sequential这个容器构建成了卷积网络conv_net。

卷积层完成构建后，我们通过layers.Dense添加全连接层，这样一个完整的结构就完成了。

基本的模型完成了搭建后，我们看前向处理是怎么做的，即数据如何从卷积层一步步传到最后的全连接层，最后输出一个预测值。

out = conv_net(x)

out = tf.reshape(out, [-1, 512])

logits = fc_net(out)

上面我们假设输入x是[1，32，32，3]，即1张3通道大小为32*32的图片，经过卷积层后的输出为out，现在我们看看out是多少，查看方法如下：

x = tf.random.normal([1,32,32,3])

out = conv_net(x)

print(out.shape)

我们通过上面的代码很容易得到out.shape = [1,1,1,512]

为了能将卷积后的结果与全连接层相连，我们需要将它展平，即out = tf.reshape(out, [-1, 512])，最后我们将打平后的结果传递到全连接层网络fc_net得到预测值。

上面我们通过Sequential类完成了一个完整的模型搭建，你掌握了吗?

2 定义自己的网络层架构

上面我们通过Sequential类完成了一个简单的线性模型的搭建，下面我们看如何搭建自己的一个模型（非线性模型）。这里我们以ResNet系列网络为例。

import tensorflow as tf

from tensorflow import keras

from tensorflow.keras import layers,Sequential

class BasicBlock(layers.Layer):

def __init__(self,filter_num,stride=1):

super(BasicBlock,self).__init__()

self.conv1=layers.Conv2D(

filter_num,(3,3),strides=stride,padding="same")

self.bn1 = layers.BatchNormalization()

self.relu = layers.Activation("relu")

self.conv2 = layers.Conv2D(filter_num, (3, 3), strides=1, padding="same")

self.bn2 = layers.BatchNormalization()

if stride !=1:

self.downsample = Sequential()

self.downsample.add(layers.Conv2D(filter_num,(1,1),strides=stride))

else:

self.downsample =lambda x:x

def call(self,inputs,training=None):

out = self.conv1(inputs)

out = self.bn1(out)

out =self.relu(out)

out = self.conv2(out)

out = self.bn2(out)

identity = self.downsample(inputs)

output = layers.add([out,identity])

output = tf.nn.relu(output)

return output

class ResNet(keras.Model):

def __init__(self,layer_dims,num_classe=100):

super(ResNet,self).__init__()

#预处理层

self.stem = Sequential([layers.Conv2D(64,(3,3),strides=(1,1)),

layers.BatchNormalization(),

layers.Activation("relu"),

layers.MaxPool2D(pool_size=(2,2),strides=(1,1),padding="same")])

self.layer1 = self.build_resblock(64,layer_dims[0])

self.layer2 = self.build_resblock(128, layer_dims[1],stride=2)

self.layer3 = self.build_resblock(256, layer_dims[2], stride=2)

self.layer4 = self.build_resblock(512, layer_dims[3], stride=2)

self.avgpool = layers.GlobalAveragePooling2D()

self.fc = layers.Dense(num_classe)

def call(self, inputs, training=None):

x = self.stem(inputs)

x = self.layer1(x)

x = self.layer2(x)

x = self.layer3(x)

x = self.layer4(x)

x = self.avgpool(x)

x = self.fc(x)

return x

def build_resblock(self,filter_num,blocks,stride=1):

#filter_num是卷积核的数量，blocks是basic_block的数量

res_blocks=Sequential()

res_blocks.add(BasicBlock(filter_num,stride))

for _ in range(1,blocks):

res_blocks.add(BasicBlock(filter_num,stride=1))

return res_blocks

def resnet18():