python神经网络MobileNetV3 large模型的复现详解

目录

神经网络学习小记录38——MobileNetV3（large）模型的复现详解 学习前言什么是MobileNetV3代码下载MobileNetV3（large）的网络结构1、MobileNetV3（large）的整体结构2、MobileNetV3特有的bneck结构 网络实现代码

学习前言

为了防止某位我的粉丝寒假没有办法正常工作，我赶紧看了看MobilenetV3。

什么是MobileNetV3

最新的MobileNetV3的被写在了论文《Searching for MobileNetV3》中。

它是mobilnet的最新版，据说效果还是很好的。

作为一种轻量级网络，它的参数量还是一如既往的小。

它综合了以下四个特点：
1、MobileNetV1的深度可分离卷积（depthwise separable convolutions）。
2、MobileNetV2的具有线性瓶颈的逆残差结构(the inverted residual with linear bottleneck)。
3、轻量级的注意力模型。
4、利用h-swish代替swish函数。

代码下载

https://github.com/bubbliiiing/classic-convolution-network

MobileNetV3（large）的网络结构 1、MobileNetV3（large）的整体结构

如何看懂这个表呢？我们从每一列出发：
第一列Input代表mobilenetV3每个特征层的shape变化；
第二列Operator代表每次特征层即将经历的block结构，我们可以看到在MobileNetV3中，特征提取经过了许多的bneck结构；
第三、四列分别代表了bneck内逆残差结构上升后的通道数、输入到bneck时特征层的通道数。
第五列SE代表了是否在这一层引入注意力机制。
第六列NL代表了激活函数的种类，HS代表h-swish，RE代表RELU。
第七列s代表了每一次block结构所用的步长。

2、MobileNetV3特有的bneck结构

bneck结构如下图所示：

它综合了以下四个特点：
a、MobileNetV2的具有线性瓶颈的逆残差结构(the inverted residual with linear bottleneck)。

即先利用1x1卷积进行升维度，再进行下面的操作，并具有残差边。

b、MobileNetV1的深度可分离卷积（depthwise separable convolutions）。

在输入1x1卷积进行升维度后，进行3x3深度可分离卷积。

c、轻量级的注意力模型。

这个注意力机制的作用方式是调整每个通道的权重。

d、利用h-swish代替swish函数。
在结构中使用了h-swishj激活函数，代替swish函数，减少运算量，提高性能。

网络实现代码

由于keras代码没有预训练权重，所以只是把网络结构po出来。

from keras.layers import Conv2D, DepthwiseConv2D, Dense, GlobalAveragePooling2D,Inputfrom keras.layers import Activation, BatchNormalization, Add, Multiply, Reshapefrom keras.models import Modelfrom keras import backend as Kalpha = 1def relu6(x):    # relu函数    return K.relu(x, max_value=6.0)def hard_swish(x):    # 利用relu函数乘上x模拟sigmoid    return x * K.relu(x + 3.0, max_value=6.0) / 6.0def return_activation(x, nl):    # 用于判断使用哪个激活函数    if nl == 'HS':        x = Activation(hard_swish)(x)    if nl == 'RE':        x = Activation(relu6)(x)    return xdef conv_block(inputs, filters, kernel, strides, nl):    # 一个卷积单元，也就是conv2d + batchnormalization + activation    channel_axis = 1 if K.image_data_format() == 'channels_first' else -1    x = Conv2D(filters, kernel, padding='same', strides=strides)(inputs)    x = BatchNormalization(axis=channel_axis)(x)    return return_activation(x, nl)def squeeze(inputs):    # 注意力机制单元    input_channels = int(inputs.shape[-1])    x = GlobalAveragePooling2D()(inputs)    x = Dense(int(input_channels/4))(x)    x = Activation(relu6)(x)    x = Dense(input_channels)(x)    x = Activation(hard_swish)(x)    x = Reshape((1, 1, input_channels))(x)    x = Multiply()([inputs, x])    return xdef bottleneck(inputs, filters, kernel, up_dim, stride, sq, nl):    channel_axis = 1 if K.image_data_format() == 'channels_first' else -1    input_shape = K.int_shape(inputs)    tchannel = int(up_dim)    cchannel = int(alpha * filters)    r = stride == 1 and input_shape[3] == filters    # 1x1卷积调整通道数，通道数上升    x = conv_block(inputs, tchannel, (1, 1), (1, 1), nl)    # 进行3x3深度可分离卷积    x = DepthwiseConv2D(kernel, strides=(stride, stride), depth_multiplier=1, padding='same')(x)    x = BatchNormalization(axis=channel_axis)(x)    x = return_activation(x, nl)    # 引入注意力机制    if sq:        x = squeeze(x)    # 下降通道数    x = Conv2D(cchannel, (1, 1), strides=(1, 1), padding='same')(x)    x = BatchNormalization(axis=channel_axis)(x)    if r:        x = Add()([x, inputs])    return xdef MobileNetv3_large(shape = (224,224,3),n_class = 1000):    inputs = Input(shape)    # 224,224,3 -> 112,112,16    x = conv_block(inputs, 16, (3, 3), strides=(2, 2), nl='HS')    x = bottleneck(x, 16, (3, 3), up_dim=16, stride=1, sq=False, nl='RE')    # 112,112,16 -> 56,56,24    x = bottleneck(x, 24, (3, 3), up_dim=64, stride=2, sq=False, nl='RE')    x = bottleneck(x, 24, (3, 3), up_dim=72, stride=1, sq=False, nl='RE')        # 56,56,24 -> 28,28,40    x = bottleneck(x, 40, (5, 5), up_dim=72, stride=2, sq=True, nl='RE')    x = bottleneck(x, 40, (5, 5), up_dim=120, stride=1, sq=True, nl='RE')    x = bottleneck(x, 40, (5, 5), up_dim=120, stride=1, sq=True, nl='RE')    # 28,28,40 -> 14,14,80    x = bottleneck(x, 80, (3, 3), up_dim=240, stride=2, sq=False, nl='HS')    x = bottleneck(x, 80, (3, 3), up_dim=200, stride=1, sq=False, nl='HS')    x = bottleneck(x, 80, (3, 3), up_dim=184, stride=1, sq=False, nl='HS')    x = bottleneck(x, 80, (3, 3), up_dim=184, stride=1, sq=False, nl='HS')    # 14,14,80 -> 14,14,112    x = bottleneck(x, 112, (3, 3), up_dim=480, stride=1, sq=True, nl='HS')    x = bottleneck(x, 112, (3, 3), up_dim=672, stride=1, sq=True, nl='HS')    # 14,14,112 -> 7,7,160    x = bottleneck(x, 160, (5, 5), up_dim=672, stride=2, sq=True, nl='HS')    x = bottleneck(x, 160, (5, 5), up_dim=960, stride=1, sq=True, nl='HS')    x = bottleneck(x, 160, (5, 5), up_dim=960, stride=1, sq=True, nl='HS')        # 7,7,160 -> 7,7,960    x = conv_block(x, 960, (1, 1), strides=(1, 1), nl='HS')    x = GlobalAveragePooling2D()(x)    x = Reshape((1, 1, 960))(x)    x = Conv2D(1280, (1, 1), padding='same')(x)    x = return_activation(x, 'HS')    x = Conv2D(n_class, (1, 1), padding='same', activation='softmax')(x)    x = Reshape((n_class,))(x)    model = Model(inputs, x)    return modelif __name__ == "__main__":    model = MobileNetv3_large()    model.summary()

以上就是python神经网络MobileNetV3 large模型的复现详解的详细内容，更多关于MobileNetV3 large模型复现的资料请关注我们其它相关文章！