深度学习之基于Tensorflow2.0实现Xception网络

1.Xception网络简介

Xception网络是在2017提出的轻量型网络，兼顾了准确性和参数量，Xception----->Extreme(极致的) Inception。

2.创新点

引入类似深度可分离卷积：Depthwise Separable Convolution。
为什么说是类似深度可分离卷积呢？

1）深度可分离卷积的实现过程：

2）Xception深度可分离卷积的实现过程：

Xception的深度可分离卷积与传统的深度可分离卷积的步骤是相反的，但是原论文作者说，两者的性能差异不大，最终的结果差异也不大，因此在实现的时候还是用的传统的深度可分离卷积。

3.网络模型

4.网络实现

def Xcepiton(nb_class,input_shape):input_ten = Input(shape=input_shape)#block 1#299,299,3  ->  149,149,64x = Conv2D(32,(3,3),strides=(2,2),use_bias=False)(input_ten)x = BatchNormalization()(x)x = Activation('relu')(x)x = Conv2D(64,(3,3),use_bias=False)(x)x = BatchNormalization()(x)x = Activation('relu')(x)#block2#149,149,64  ->  75,75,128residual = Conv2D(128,(1,1),strides=(2,2),padding='same',use_bias=False)(x)residual = BatchNormalization()(residual)x = SeparableConv2D(128,(3,3),padding='same',use_bias=False)(x)x = BatchNormalization()(x)x = Activation('relu')(x)x = SeparableConv2D(128,(3,3),padding='same')(x)x = BatchNormalization()(x)x = MaxPooling2D((3,3),strides=(2,2),padding='same')(x)x = layers.add([x,residual])#block3#75,75,128  ->  38,38,256residual = Conv2D(256,(1,1),strides=(2,2),padding='same',use_bias=False)(x)residual = BatchNormalization()(residual)x = Activation('relu')(x)x = SeparableConv2D(256,(3,3),padding='same',use_bias=False)(x)x = BatchNormalization()(x)x = Activation('relu')(x)x = SeparableConv2D(256,(3,3),padding='same',use_bias=False)(x)x = BatchNormalization()(x)x = MaxPooling2D((3,3),strides=(2,2),padding='same')(x)x = layers.add([x,residual])#block4#38,38,256  ->  19,19,728residual = Conv2D(728,(1,1),strides=(2,2),padding='same',use_bias=False)(x)residual = BatchNormalization()(residual)x = Activation('relu')(x)x = SeparableConv2D(728,(3,3),padding='same',use_bias=False)(x)x = BatchNormalization()(x)x = Activation('relu')(x)x = SeparableConv2D(728,(3,3),padding='same',use_bias=False)(x)x = BatchNormalization()(x)x = MaxPooling2D((3,3),strides=(2,2),padding='same')(x)x = layers.add([x,residual])#block 5  -  12#19,19,728  ->  19,19,728for i in range(8):residual = xx = Activation('relu')(x)x = SeparableConv2D(728,(3,3),padding='same',use_bias=False)(x)x = BatchNormalization()(x)x = Activation('relu')(x)x = SeparableConv2D(728,(3,3),padding='same',use_bias=False)(x)x = BatchNormalization()(x)x = Activation('relu')(x)x = SeparableConv2D(728,(3,3),padding='same',use_bias=False)(x)x = BatchNormalization()(x)x = layers.add([x,residual])#block13  #19,19,728  ->  10,10,1024residual = Conv2D(1024,(1,1),strides=(2,2),padding='same',use_bias=False)(x)residual = BatchNormalization()(residual)x = Activation('relu')(x)x = SeparableConv2D(728,(3,3),padding='same',use_bias=False)(x)x = BatchNormalization()(x)x = Activation('relu')(x)x = SeparableConv2D(1024,(3,3),padding='same',use_bias=False)(x)x = BatchNormalization()(x)x = MaxPooling2D((3,3),strides=(2,2),padding='same')(x)x = layers.add([x,residual])#block14#10,10,1024  ->10,10,2048x = SeparableConv2D(1536,(3,3),padding='same',use_bias=False)(x)x = BatchNormalization()(x)x = Activation('relu')(x)x = SeparableConv2D(2048,(3,3),padding='same',use_bias=False)(x)x = BatchNormalization()(x)x = Activation('relu')(x)x = GlobalAveragePooling2D()(x)output_ten = Dense(nb_class,activation='softmax')(x)model = Model(input_ten,output_ten)return model
model_xception = Xcepiton(24,(img_height,img_width,3))
model_xception.summary()

训练参数并不多，是一个比较经典的轻量级网络。
努力加油a啊

深度学习之基于Tensorflow2.0实现Xception网络相关推荐

深度学习之基于Tensorflow2.0实现AlexNet网络
在之前的实验中,一直是自己搭建或者是迁移学习进行物体识别,但是没有对某一个网络进行详细的研究,正好人工智能课需要按组上去展示成果,借此机会实现一下比较经典的网络,为以后的研究学习打下基础.本次基于Te ...
深度学习之基于Tensorflow2.0实现ResNet50网络
理论上讲,当网络层数加深时,网络的性能会变强,而实际上,在不断的加深网络层数后,分类性能不会提高,而是会导致网络收敛更缓慢,准确率也随着降低.利用数据增强等方法抑制过拟合后,准确率也不会得到提高,出现 ...
深度学习之基于Tensorflow2.0实现InceptionV3网络
Inception网络是Google公司研发的,迄今为止有V1,V2,V3,V4四代,在V4这一代引入了残差网络的模型,本次主要介绍第三代-InceptionV3网络. 1. InceptionV3网 ...
【Python深度学习】基于Tensorflow2.0构建CNN模型尝试分类音乐类型(二)
前情提要基于上文所说基于Tensorflow2.0构建CNN模型尝试分类音乐类型(一) 我用tf2.0和Python3.7复现了一个基于CNN做音乐分类器.用余弦相似度评估距离的一个音乐推荐模型. ...
【Python深度学习】基于Tensorflow2.0构建CNN模型尝试分类音乐类型(一)
音乐分类前言复现代码 MP3转mel CNN模型训练结果总结前言我在逛github的时候,偶然发现了一个项目:基于深度学习的音乐推荐.[VikramShenoy97].作者是基于CNN做的 ...
【深度学习】(6) tensorflow2.0使用keras高层API
各位同学好,今天和大家分享一下TensorFlow2.0深度学习中借助keras的接口减少神经网络代码量.主要内容有: 1. metrics指标:2. compile 模型配置:3. fit 模型训练 ...
【深度学习】利用tensorflow2.0卷积神经网络进行卫星图片分类实例操作详解
本文的应用场景是对于卫星图片数据的分类,图片总共1400张,分为airplane和lake两类,也就是一个二分类的问题,所有的图片已经分别放置在2_class文件夹下的两个子文件夹中.下面将从这个实例 ...
深度学习实战—基于TensorFlow 2.0的人工智能开发应用
作者:辛大奇著出版社:中国水利水电出版社品牌:智博尚书出版时间:2020-10-01 深度学习实战-基于TensorFlow 2.0的人工智能开发应用
飞桨深度学习开源框架2.0抢先看：成熟完备的动态图开发模式
百度飞桨于近期宣布,深度学习开源框架2.0抢先版本正式发布,进入2.0时代.其中一项重大升级,就是推出更加成熟完备的命令式编程模式,即通常说的动态图模式.同时在该版本中将默认的开发模式定为动态图模式, ...