7_MobileV3_for_cifar10.py

最新推荐文章于 2023-11-23 10:14:30 发布

原创

最新推荐文章于 2023-11-23 10:14:30 发布 · 623 阅读

0 ·

CC 4.0 BY-SA版权

本文介绍了一种基于MobileNetV3的深度学习模型在CIFAR-10数据集上的应用。该模型通过使用深度可分离卷积和倒残差结构，实现了高效的图像分类任务。文章详细描述了模型结构、训练过程以及验证方法。



from utils.MobileNetOps import *
from utils import helper
import pickle
import numpy as np
import tensorflow as tf
import matplotlib as mpl
import os


# 设置字符集，防止中文乱码
mpl.rcParams['font.sans-serif'] = [u'simHei']
mpl.rcParams['axes.unicode_minus'] = False

cifar10_dataset_folder_path = './cifar-10-batches-py'
if os.path.exists(cifar10_dataset_folder_path):
    print('cifar10原始数据集存在!!!')

# 检查点，预处理的数据已经保存本地，每次可以从这里开始执行，之前的代码不用执行了。
valid_features, valid_labels = pickle.load(
    open('../datas/cifar10/preprocess_validation.p', mode='rb')
)


def model_mobile_v3(inputs, num_classes, exp=3, bn_train=True):
    """
    实现Mobile_Net_V3模型结构图。
    :param inputs:
    :param num_classes:
    :param bn_train:
    :param exp:  膨胀系数
    :return:
    """
    with tf.variable_scope('Network'):
        with tf.variable_scope('conv1_1'):
            net = conv2d(inputs, 16, 3, 3, 1, 1, name='conv2d', use_bias=True)
            net = hswish(net)
            # [N, 32, 32, 16]
        """
        res_block(input, expansion_ratio, output_dims, stride, bn_train, name, 
        activation=hswish, use_se=True, se_reduction=8, use_bias=False, shortcut=True)
        """
        net = res_block(
            net, 1, 16, stride=1, bn_train=bn_train, activation=tf.nn.relu6, name='res2_1'
        )  # [N, 32, 32, 16]

        net = res_block(
            net, exp, 24, stride=2, bn_train=bn_train, activation=tf.nn.relu6, use_se=False,
            name='res3_1')  # [N,