0.写在前边

这算得上是真正意义上接触的第一个深度学习项目了。果真在既没有经验，又没有实力的情况下，项目被搞得一团糟。实践出真知，赶紧总结吸取教训！！！

1.项目流程

1.1数据流

（1）超参传递
1）通过.py传递
eg: params.py中存储超参[OPTIMIZER = ‘Adam’]的值；则在新的.py文件中导入[import params]，便可通过 params.OPTIMIZER获得超参的值；
2）通过sys传递外部参数
（2）数据读取过程
1）获取图像名称列表：glob；
2）生成batches索引列表；
3）生成（图像，标签）batch：i加载数据；ii数据预处理[数据增广、归一化、标签转换等]；

实用代码

数据增广

from albumentations import (PadIfNeeded,HorizontalFlip,    # VerticalFlip,   # CenterCrop,    Crop,Compose,    #Transpose,    #RandomRotate90,    #ElasticTransform,GridDistortion, OpticalDistortion,RandomSizedCrop,OneOf,CLAHE,RandomContrast,RandomGamma,RandomBrightness
)
def image_augmentation(currImg, labelMask):aug = Compose([VerticalFlip(p=0.5),              RandomRotate90(p=0.5),HorizontalFlip(p=0.5),Transpose(p=0.5)])augmented = aug(image=currImg, mask=labelMask)imageMedium = augmented['image']labelMedium = augmented['mask']return imageMedium,labelMedium

RGB图像归一化:从[0-255]到[0-1]

from keras.applications import imagenet_utils
imgBatch  = imagenet_utils.preprocess_input(imgBatch)
imgBatch = imgBatch / 255.0

1.2模型&代码

（通用定义）

from keras.layers import Input
# 定义模型所需要的 [输入的张量（占位？），张量的形状]
input_tensor = Input(shape=(imgSz[0],imgSz[1],self.params.NUM_CHANNELS))
input_shape = (imgSz[0],imgSz[1],self.params.NUM_CHANNELS)
# 模型逐层定义# backbone# 自定义# model = Model(input, x)# 损失函数# 优化算法# 编译# return model
#

后处理

语义分割

pred = np.argmax(pred, axis=2).astype('uint8')

高度预测

pred = convert_labels(pred, self.params, toLasStandard=True)

最后

pred = pred[:,:,0]
tifffile.imsave(os.path.join(self.params.OUTPUT_DIR, outName), pred, compress=6)

训练&推理

推理阶段：模型不需要损失函数和优化算法；
对数据的预处理和后处理是基本相同的；

2.模型&代码（基模差定义）

2.0 模型基础

特征交互的方式：
（1）级联：通道数变为原来的两倍
（2）级联再卷积：卷积的目的是降低通道数与原来保持一致
（3）加：逐元素相加 ----线性和、加权和
（4）乘：逐元素相乘
金字塔的表现方式：
（1）图像金字塔：图像resize到不同尺寸，基于不同尺寸的图像做预测；
（2）特征金字塔：图像–特征（不同尺寸的特征），基于不同尺寸的特征做预测；
（3）FPN：金字塔特征+顶层特征与低层特征融合；
resnet的特点： 包含残差块，即上一块的输出与下一层的输出融合

2.1 UNet

encoder-decoder结构
四个卷积块 & 四个上采样块 + skip connection

2.2 FPN

特征金字塔预测

2.3 LinkNet

四个卷积块 & 四个上采样块 + skip connection
编码时resnet作为backbone

2.4 PSPNet

金字塔池化模块：不同尺度的池化得到不同尺度的特征，再上采样到原来的大小，进行级联；

3.小细节

命名： 项目、文件夹、文件、类、函数、方法、变量等，任何需要命名的东西，做到简洁、见名知意；
版本控制： 不同版本间的名称做到有序有意；
– 版本控制的方法：外隔离、内隔离；（源码多是外隔离[.py]，师兄多是内隔离[class]）
功能封装： （1）程序模块化：相似的功能模块集成（函数、类、包）；（2）使用高级模块化的语句：即用尽可能少的、高效的代码完成需要的功能；

IGARSS2019-项目实战总结-keras相关推荐

【深度学习项目实战】Keras深度学习多变量时间序列预测的LSTM模型
无意中发现了一个巨牛的人工智能教程,忍不住分享一下给大家.教程不仅是零基础,通俗易懂,而且非常风趣幽默,像看小说一样!觉得太牛了,所以分享给大家.点这里可以跳转到教程.人工智能教程本篇文章将介绍基于 ...
keras中文文档_【DL项目实战02】图像识别分类——Keras框架+卷积神经网络CNN（使用VGGNet）
版权声明:小博主水平有限,希望大家多多指导. 目录: [使用传统DNN] BG大龍:[DL项目实战02]图像分类--Keras框架+使用传统神经网络DNNzhuanlan.zhihu.com [使用 ...
浙大博士导师整理：Tensorflow和Pytorch的笔记（包含经典项目实战）
作为一名AI工程师,掌握一门深度学习框架是必备的生存技能之一. 自 TensorFlow 从 Google 中脱颖而出以来,它在研究和商业领域成为最受欢迎的开源深度学习框架,紧接着从 Faceboo ...
清华博士导师整理：Tensorflow和Pytorch的笔记（包含经典项目实战）
作为一名AI工程师,掌握一门深度学习框架是必备的生存技能之一. 自 TensorFlow 从 Google 中脱颖而出以来,它在研究和商业领域成为最受欢迎的开源深度学习框架,紧接着从 Faceboo ...
【项目实战】Python基于孤立森林算法(IsolationForest)实现数据异常值检测项目实战
说明:这是一个机器学习实战项目(附带数据+代码+文档+代码讲解),如需数据+代码+文档+代码讲解可以直接到文章最后获取. 1.项目背景孤立森林是基于Ensemble的快速异常检测方法,具有线性时间复 ...
清华博士导师整理：Tensorflow 和 Pytorch 的笔记（包含经典项目实战）
作为一名 AI 工程师,掌握一门深度学习框架是必备的生存技能之一. 自 TensorFlow 从 Google 中脱颖而出以来,它在研究和商业领域成为最受欢迎的开源深度学习框架,紧接着从 Faceb ...
python数据分析与挖掘项目实战记录
python数据挖掘项目实战记录取自<Python数据分析与挖掘实战>一书,整理各个项目中用到的数据处理方法: 数据预处理方法建立模型方法绘制图形对于分类问题:用模型分类:混淆矩阵 ...
python人工智能项目实例-python人工智能项目实战，PDF+源码
原标题:python人工智能项目实战,PDF+源码 <python人工智能项目 Intelligent Projects Using Python> 实施机器学习和深度学习方法,使用Pyt ...
深度学习入门系列6项目实战：声纳回声识别
大家好,我技术人Howzit,这是深度学习入门系列第六篇,欢迎大家一起交流! 深度学习入门系列1:多层感知器概述深度学习入门系列2:用TensorFlow构建你的第一个神经网络深度学习入门系列3: ...
Kaggle深度学习与卷积神经网络项目实战-猫狗分类检测数据集
Kaggle深度学习与卷积神经网络项目实战-猫狗分类检测数据集一.相关介绍二.下载数据集三.代码示例 1.导入keras库,并显示版本号 2.构建网络 3.数据预处理 4.使用数据增强四.使用 ...

IGARSS2019-项目实战总结-keras