深度学习实战篇之 ( 十五) -- TensorFlow之GoogLeNet

用户5410712

发布于 2022-06-01 20:15:55

2660

发布于 2022-06-01 20:15:55

文章被收录于专栏：居士说AI

科普知识

AAAI的英文全称是 the Association for the Advance of Artificial Intelligence，中文意思是国际先进人工智能协会。

国际先进人工智能协会（American Association for Artificial Intelligence）国际先进人工智能协会是人工智能领域的主要学术组织之一。该协会主办的年会（AAAI, The National Conference on Artificial Intelligence）是一个主要的人工智能学术会议。

# 前言

SEP.

理论篇上一期文章我们学习了GoogLeNet网络，其核心的是Inception模块，通过该模块可以将神经网络设计的得很深，今天我们将通过TensorFlow进行Inception模块的实战，希望大家喜欢。

TensorFlow之Inception实战

本期实战，我们采用人脸表情数据集进行训练，模型主要是Inception模块，由于只是展示demo,我们只设计简单的一层就好，代码将会开源到gitee.

1.数据准备

本次数据采用RAFDB人脸表情数据集，包含七个分类：平和，开心，悲伤，

惊讶，厌恶，愤怒，害怕。与之前的数据集类似，该人脸表情数据集也包含

训练集合测试集，每个集中没别包含7个文件夹（表情）。与之前的数据集

一样，该数据集包含训练集与测试集，每个集包含七个文件夹（表情）

一些样本展示

2.网络结构

网络结构如上，由于改模块很简单，我们就不仔细分析网络的参数了，具体的参数可以从上一期文章中看到哦（深度学习理论篇之 ( 十六) -- GoogLeNet之再探深度之谜），从下面的代码中，大家应该能够看到每一个层的维度变换，实在看不懂的，我相信只要大家认真的调试一定没问题，建议打印每一行代码的维度信息，一遍清楚的知道特征图在网络中是如何一步步变化的。

def inference(images, batch_size, n_classes,drop_rate):
    
    #左1x1 conv
    conv1 = Conv_layer(names = 'conv_block1', input = images , w_shape = [1, 1, 3, 128], b_shape = [128], strid = [1, 1])
    # print("******** conv1 {} ".format(conv1.shape))

    #1x1 conv
    conv2 = Conv_layer(names = 'conv_block2', input = images , w_shape = [1, 1, 3, 64], b_shape = [64], strid = [1, 1])
    # 第二层卷积1
    conv2_1 = Conv_layer(names = 'conv_block2_1', input = conv2 , w_shape = [3, 3, 64, 192], b_shape = [192], strid = [1, 1])
    # print("******** conv2_1 {} ".format(conv2_1.shape))

    #1x1 conv
    conv3 = Conv_layer(names = 'conv_block3', input = images , w_shape = [1, 1, 3, 64], b_shape = [64], strid = [1, 1])
    # 第二层卷积2
    conv3_1 = Conv_layer(names = 'conv_block3_1', input = conv3 , w_shape = [5, 5, 64, 96], b_shape = [96], strid = [1, 1])
    # print("******** conv3_1 {} ".format(conv3_1.shape))

    #3x3 max pooling
    pool_1 = Max_pool_lrn(names = 'pooling1', input = images , ksize = [1, 3, 3, 1], is_lrn = False)
    # 第二层卷积2
    conv4 = Conv_layer(names = 'conv_block4', input = pool_1 , w_shape = [1, 1, 3, 64], b_shape = [64], strid = [1, 1])
    print("******** conv4 {} ".format(conv4.shape))

    concat_op = tf.concat([conv1, conv2_1, conv3_1, conv4],3)
    conv5 = Conv_layer(names = 'conv_block5', input = concat_op , w_shape = [1, 1, 480, 64], b_shape = [64], strid = [1, 1])
    # print("******** concat_op {} ".format(concat_op.shape))

如果仔细查看网络结构，我在输出的最后一层添加了一层1x1卷积，目的是为啥呢，

当然是家里没矿，只能降低维度了。

3.训练过程