TensorFlow实现遗传算法_unity opencv

TensorFlow实现遗传算法_unity opencv一、VGGNet简介VGGNet是牛津大学计算机视觉组和GoogleDeepMind公司的研究员一起研发的深度卷积神经网络。VGGNet探索了卷积神经网络的深度与其性能之间的关系,通过反复堆叠的小型卷积核和的最大池化层,VGGNet成功地构造了16~19层深的卷积神经网络。VGGNet的错误率大幅下降,取得了ILSVRC2014比赛分类项目的第2名和定位项目的第1名。同时,VGGNet的拓…

大家好,又见面了,我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE使用 1年只要46元 售后保障 童叟无欺

一、VGGNet简介

VGGNet是牛津大学计算机视觉组和Google DeepMind公司的研究员一起研发的深度卷积神经网络。VGGNet探索了卷积神经网络的深度与其性能之间的关系,通过反复堆叠3\times 3的小型卷积核和2\times 2的最大池化层,VGGNet成功地构造了16~19层深的卷积神经网络。VGGNet的错误率大幅下降,取得了ILSVRC 2014比赛分类项目的第2名和定位项目的第1名。同时,VGGNet的拓展性很强,迁移到其他图片数据上的泛化性非常好。VGG的结构非常简洁,整个网络都使用了同样大小的卷积核尺寸(3\times 3)和最大池化尺寸(2\times 2)。目前为止,VGGNet依然经常别用来提取图像特征。

VGGNet拥有5段卷积,每一段内有2~3个卷积层,同时每段尾部会连接一个最大池化层用来缩小图片的尺寸。每一段的卷积核数量相同,越往后的卷积核数量越多:64-128-256-512-512.经常出现多个完全一样的3\times 3的卷积层堆叠在一起的情况。两个3\times 3的卷积层串联相当于1个5\times 5的卷积层,即一个像素会跟周围5\times 5的像素产生关联,可以说感受野大小为5\times 5。3个3\times 3的卷积层串联的效果相当于1个7\times 7的卷积层,除此之外,它的参数量变小了,并且拥有比1个7\times 7的卷积层更多的非线性变换(前者使用三次ReLU,后者使用一次),使得CNN对特征的学习能力更强。

VGGNet网络的训练,我们可以先训练一个层数比较小的网络,然后在训练一个层数比较多的网络,不断的增加层数迭代训练。通过VGGNet的训练,总结了一下几点:

  1. LRN层作用不大
  2. 越深的网络效果越好
  3. 1\times 1的卷积也是有效的,但是没有3\times 3的好。大一些的卷积核可以学习更大的空间特征。

二、 TensorFlow实现VGGNet

我们实现VGGNet-16,也就是说一共16层,其中有13层卷积层,3层全连接层。我们依然是评测forward和backward的运行性能,并不进行实质的训练和预测。

# 导包
from datetime import datetime
import math
import time
import tensorflow as tf

# 创建卷积层,并把参数存入列表
def conv_op(input_op, name, kh, kw, n_out, dh, dw, p):
    """
    input_op:输入的tensor
    name:这一层的名字
    kh:卷积核的高
    kw:卷积核的宽
    n_out:卷积核数量即输出通道数
    dh:是步长的高
    dw:是步长的宽
    p:是参数列表
    """
    n_in = input_op.get_shape()[-1].value  # 获取输入的通道数
    
    with tf.name_scope(name) as scope:
        
        # 卷积核
        kernel = tf.get_variable(scope + 'w', shape=[kh, kw, n_in, n_out], dtype=tf.float32, initializer=tf.contrib.layers.xavier_initializer_conv2d())
        # 卷积操作
        conv = tf.nn.conv2d(input_op, kernel, (1, dh, dw, 1), padding='SAME')
        # 偏置
        bias_int_val = tf.constant(0.0, shape=[n_out], dtype=tf.float32)
        biases = tf.Variable(bias_int_val, trainable=True, name='b')
        # 卷积加偏置
        z = tf.nn.bias_add(conv, biases)
        # 激活
        activation = tf.nn.relu(z, name=scope)
        # 存参数
        p += [kernel, biases]
        return activation

# 创建全连接层,并把参数传入列表
def fc_op(input_op, name, n_out, p):
    """
    input_out:输入的tensor
    name:这一层的名字
    n_out:输出的通道数
    p:是参数列表
    """
    n_in = input_op.get_shape()[-1].value
    
    with tf.name_scope(name) as scope:
        kernel = tf.get_variable(scope + 'w', shape=[n_in, n_out], dtype=tf.float32, initializer=tf.contrib.layers.xavier_initializer())  # 参数
        biases = tf.Variable(tf.constant(0.1, shape=[n_out], dtype=tf.float32), name='b')  # 偏置
        activation = tf.nn.relu_layer(input_op, kernel, biases, name=scope)
        p += [kernel, biases]
        return activation

# 创建池化层
def mpool_op(input_op, name, kh, kw, dh, dw):
    """
    input_op:输入的tensor
    name:这层的名字
    kh:池化核的长度
    kw:池化核的宽度
    dh:步长的长度
    dw:步长的宽度
    """
    return tf.nn.max_pool(input_op, ksize=[1, kh, kw, 1], strides=[1, dh, dw, 1], padding='SAME', name=name)

# 搭建VGGNet-16网络
def inference_op(input_op, keep_prob):
    p = []
    
    # 第一段卷积网络
    conv1_1 = conv_op(input_op, name='conv1_1', kh=3, kw=3, n_out=64, dh=1, dw=1, p=p)
    conv1_2 = conv_op(conv1_1, name='conv1_2', kh=3, kw=3, n_out=64, dh=1, dw=1, p=p)
    pool1 = mpool_op(conv1_2, name='pool1', kh=2, kw=2, dw=2, dh=2)
    
    # 第二段卷积网络
    conv2_1 = conv_op(pool1, name='conv2_1', kh=3, kw=3, n_out=128, dh=1, dw=1, p=p)
    conv2_2 = conv_op(conv2_1, name='conv2_2', kh=3, kw=3, n_out=128, dh=1, dw=1, p=p)
    pool2 = mpool_op(conv2_2, name='pool2', kh=2, kw=2, dh=2, dw=2)
    
    # 第三段卷积网络
    conv3_1 = conv_op(pool2, name='conv3_1', kh=3, kw=3, n_out=256, dh=1, dw=1, p=p)
    conv3_2 = conv_op(conv3_1, name='conv3_2', kh=3, kw=3, n_out=256, dh=1, dw=1, p=p)
    conv3_3 = conv_op(conv3_2, name='conv3_3', kh=3, kw=3, n_out=256, dh=1, dw=1, p=p)
    pool3 = mpool_op(conv3_3, name='pool3', kh=2, kw=2, dh=2, dw=2)
    
    # 第四段卷积网络
    conv4_1 = conv_op(pool3, name='conv4_1', kh=3, kw=3, n_out=512, dh=1, dw=1, p=p)
    conv4_2 = conv_op(conv4_1, name='conv4_2', kh=3, kw=3, n_out=512, dh=1, dw=1, p=p)
    conv4_3 = conv_op(conv4_2, name='conv4_3', kh=3, kw=3, n_out=512, dh=1, dw=1, p=p)
    pool4 = mpool_op(conv4_3, name='pool4', kh=2, kw=2, dh=2, dw=2)
    
    # 第五段卷积网络
    conv5_1 = conv_op(pool4, name='conv5_1', kh=3, kw=3, n_out=512, dh=1, dw=1, p=p)
    conv5_2 = conv_op(conv5_1, name='conv5_2', kh=3, kw=3, n_out=512, dh=1, dw=1, p=p)
    conv5_3 = conv_op(conv5_2, name='conv5_2', kh=3, kw=3, n_out=512, dh=1, dw=1, p=p)
    pool5 = mpool_op(conv5_3, name='pool5', kh=2, kw=2, dw=2, dh=2)
    
    # 扁平化,将pool5转化为一维向量
    shp = pool5.get_shape()
    flattened_shape = shp[1].value * shp[2].value * shp[3].value
    resh1 = tf.reshape(pool5, [-1, flattened_shape], name='resh1')
    
    # 第一个全连接层
    fc6 = fc_op(resh1, name='fc6', n_out=4096, p=p)
    fc6_drop = tf.nn.dropout(fc6, keep_prob, name='fc6_drop')
    
    # 第二个全连接层
    fc7 = fc_op(fc6_drop, name='fc7', n_out=4096, p=p)
    fc7_drop = tf.nn.dropout(fc7, keep_prob, name='fc7_drop')
    
    # 第三个全连接层,输入到softmax中,输出概率最大的类别
    fc8 = fc_op(fc7_drop, name='fc8', n_out=1000, p=p)
    softmax = tf.nn.softmax(fc8)
    predictions = tf.argmax(softmax, 1)
    return predictions, softmax, fc8, p

# 评测函数
def time_tensorflow_run(session, target, feed, info_string):
    num_steps_burn_in = 10
    total_duration = 0.0
    total_duration_squared = 0.0
    for i in range(num_batches + num_steps_burn_in):
        start_time = time.time()
        _ = session.run(target, feed_dict=feed)
        duration = time.time() - start_time
        if i >= num_steps_burn_in:
            if not i % 10:
                print('%s: step %d, duration = %.3f' % (datetime.now(), i - num_steps_burn_in, duration))
                total_duration += duration
                total_duration_squared += duration * duration
    mn = total_duration / num_batches
    vr = total_duration_squared / num_batches - mn * mn
    sd = math.sqrt(vr)
    
    print('%s: %s across %d steps, %.3f +/- %.3f sec / batch' % (datetime.now(), info_string, num_batches, mn, sd))

# 主函数
def run_benchmark():
    with tf.Graph().as_default():
        image_size = 224
        images = tf.Variable(tf.random_normal([batch_size, image_size, image_size, 3], dtype=tf.float32, stddev=1e-1))
        
        # 创建keep_prob的占位符
        keep_prob = tf.placeholder(tf.float32)
        predictions, softmax, fc8, p = inference_op(images, keep_prob)
        
        # 创建session
        init = tf.global_variables_initializer()
        sess = tf.Session()
        sess.run(init)
        
        # 执行评测
        time_tensorflow_run(sess, predictions, {keep_prob: 1.0}, "Forward")
        objective = tf.nn.l2_loss(fc8)
        grad = tf.gradients(objective, p)
        time_tensorflow_run(sess, grad, {keep_prob: 0.5}, "Forward-backward")

batch_size = 32
num_batches = 100
run_benchmark()

TensorFlow实现遗传算法_unity opencv

从结果我们可以看出,forward花费的每十步花费的时间为8.64秒,backward花费的时间为28.30秒。可以看出VGGNet的复杂度要比AlexNet复杂很多。但是在比赛中的错误率最终达到了7.3%。相比AlexNet进步很大。

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请联系我们举报,一经查实,本站将立刻删除。

发布者:全栈程序员-站长,转载请注明出处:https://javaforall.net/180182.html原文链接:https://javaforall.net

(0)
全栈程序员-站长的头像全栈程序员-站长


相关推荐

  • 三分钟彻底理解冒泡排序

    三分钟彻底理解冒泡排序0.如果遇到相等的值不进行交换,那这种排序方式是稳定的排序方式。1.原理:比较两个相邻的元素,将值大的元素交换到右边2.思路:依次比较相邻的两个数,将比较小的数放在前面,比较大的数放在后面。(1

    2022年7月2日
    26
  • pycharm运行代码方法[通俗易懂]

    pycharm运行代码方法[通俗易懂]https://www.cnblogs.com/wangguoyuan-09/p/6866798.html

    2022年8月26日
    2
  • fiddler+proxifier_fiddler抓包工具

    fiddler+proxifier_fiddler抓包工具本文介绍如何使用Fiddler抓取HTTP和HTTPS协议的包,同时还介绍了如何结合Proxifier工具来处理Filddler无法抓取到包的情况。一、HTTP基本抓包Fiddler官网下载安装:https://www.telerik.com/fiddler对浏览器的抓包,就不再赘述,打开这个软件就一目了然了,本文主要讲对普通Windows桌面应用程序的抓包,点击左下角的两个小图标,让Fi…

    2022年10月30日
    0
  • Node子进程async/await方法不正常执行的思考和解决

    Node子进程async/await方法不正常执行的思考和解决

    2021年6月14日
    181
  • mysql 获取分区的最大值_MySQL分区表测试「建议收藏」

    mysql 获取分区的最大值_MySQL分区表测试「建议收藏」MYSQL分区表功能测试。1.查看Mysql版本是否支持分区SHOWVARIABLESLIKE’%partition%’;+——————-+——-+|Variable_name|Value|+——————-+——-+|have_partitioning|YES|+——————…

    2022年6月1日
    88
  • Protel 99 SE 的坑

    Protel 99 SE 的坑作为一个电子爱好者,以前画电路图基本都是用笔在草稿纸上面直接画出电路图,然后焊板子~呵呵,有点简单粗暴,这样做的好处就是比较顺手,没那么多限制,但是EDA还是有必要学一下的,思来想去,还是学学Protel99se吧,第一次接触,各种懵比,还犯了许多低级错误,以及系统不兼容的坑,苦逼了…>>>坑1:添加元件库添加元件库:add/Remove选择sch路径点击ddb文件-add

    2022年5月30日
    54

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

关注全栈程序员社区公众号