1.网络结构

2.构建DenseNet

import tensorflow as tf
from tensorflow import keras

搭建卷积层，每一次卷积都会对输入同输出做Concatenate，以达到重用前面层的特征的作用

def conv_fn(x,growth_rate):x1 = keras.layers.BatchNormalization()(x)x1 = keras.layers.Activation('relu')(x1)x1 = keras.layers.Conv2D(4*growth_rate,1,1,padding="same")(x1)x1 = keras.layers.BatchNormalization()(x1)x1 = keras.layers.Activation("relu")(x1)x1 = keras.layers.Conv2D(growth_rate,3,1,padding="same")(x1)return keras.layers.Concatenate(axis=3)([x,x1])

每一个Densblock模块

def dense_block(x,block,growth_rate = 32):for i in range(block):x = conv_fn(x,growth_rate)return x

Transition layers:缩减特征图大小同时为了降低复杂度，减少特征图的数量

k = keras.backend
def trans_block(x,theta):x1 = keras.layers.BatchNormalization()(x)x1 = keras.layers.Activation("relu")(x1)x1 = keras.layers.Conv2D(int(k.int_shape(x)[3]*theta),1,1)(x1)x1 = keras.layers.AveragePooling2D(pool_size=(2,2),strides=2,padding="valid")(x1)return x1

搭建DenseNet

def densenet(input_shape,block,n_classes=12):# 56*56*64x_input = keras.layers.Input(shape=input_shape)x = keras.layers.Conv2D(64,kernel_size=(7,7),strides=2,padding="same")(x_input)x = keras.layers.BatchNormalization()(x)x = keras.layers.Activation("relu")(x)x = keras.layers.MaxPooling2D(pool_size=3,strides=2,padding="same")(x)x = dense_block(x,block[0])x = trans_block(x,0.5) # 28*28x = dense_block(x,block[1])x = trans_block(x,0.5) #14*14x = dense_block(x,block[2])x = trans_block(x,0.5) # 7*7x = dense_block(x,block[3])x = keras.layers.BatchNormalization()(x)x = keras.layers.Activation("relu")(x)x = keras.layers.GlobalAveragePooling2D()(x)outputs = keras.layers.Dense(n_classes,activation="softmax")(x)model = keras.models.Model(inputs=[x_input],outputs=[outputs])return model

不同的DenseNet

model_121 = densenet([224,224,3],[6,12,24,16]) #DenseNet-121
model_169 = densenet([224,224,3],[6,12,32,32]) #DenseNet-169
model_201 = densenet([224,224,3],[6,12,48,32]) # DenseNet-201
model_269 = densenet([224,224,3],[6,12,64,48]) # DenseNet-269

重现DenseNet网络（基于keras）相关推荐

基于Keras Application和Densenet迁移学习（transfer learning）的乳腺癌图像分类模型（良性、恶性）
基于Keras Application和Densenet迁移学习(transfer learning)的乳腺癌图像分类模型(良性.恶性) 概论: 美国癌症学会官方期刊发表<2018年全球癌症统计 ...
DL之DCGAN：基于keras框架利用深度卷积对抗网络DCGAN算法对MNIST数据集实现图像生成
DL之DCGAN:基于keras框架利用深度卷积对抗网络DCGAN算法对MNIST数据集实现图像生成目录基于keras框架利用深度卷积对抗网络DCGAN算法对MNIST数据集实现图像生成设计思路 ...
Keras之TCN：基于keras框架利用时间卷积网络TCN算法对上海最高气温实现回归预测(把时间序列数据集转化为有监督学习数据集)案例
Keras之TCN:基于keras框架利用时间卷积网络TCN算法对上海最高气温实现回归预测(把时间序列数据集转化为有监督学习数据集)案例目录利用时间卷积网络TCN算法对上海最高气温实现回归预测(把 ...
基于GNet网络和Keras框架实战眼底图像视杯视盘分割
个人简介:李响Superb,CSDN百万访问量博主,普普通通男大学生,目前在读软件工程,计算机视觉.深度学习和医学图像处理专攻,偶尔也搞迁移学习和全栈开发. 博客地址:lixiang.blog.csd ...
基于keras的双层LSTM网络和双向LSTM网络
1 前言基于keras的双层LSTM网络和双向LSTM网络中,都会用到 LSTM层,主要参数如下: LSTM(units,input_shape,return_sequences=False) un ...
基于Keras搭建LSTM网络实现文本情感分类
基于Keras搭建LSTM网络实现文本情感分类一.语料概况 1.1 数据统计 1.1.1 查看样本均衡情况,对label进行统计 1.1.2 计句子长度及长度出现的频数 1.1.3 绘制句子长度累积 ...
基于Keras的生成对抗网络（1）——利用Keras搭建简单GAN生成手写体数字
目录 0.前言一.GAN结构二.函数代码 2.1 生成器Generator 2.2 判别器Discriminator 2.3 train函数三.结果演示四.完整代码五.常见问题汇总 0.前言 ...
LSTM模型（基于Keras框架）预测特定城市或者区域的太阳光照量实战
LSTM模型(基于Keras框架)预测特定城市或者区域的太阳光照量实战 LSTM在解决序列预测的问题时非常强大,因为它们能够存储之前的信息. LSTM是一种时间递归神经网络,它出现的原因是为了解决RN ...
基于keras的深度学习基本概念讲解
基于keras的深度学习基本概念讲解 Tensorflow1.0正式发布,谷歌首届Tensorflow开发者大会在山景召开,深度学习迎来新的高潮和狂欢.随着深度学习框架的普及和推广,会有越来越多人加入 ...

重现DenseNet网络（基于keras）

1.网络结构

2.构建DenseNet

重现DenseNet网络（基于keras）相关推荐

最新文章

热门文章