python神经网络Densenet模型复现详解

第python神经网络Densenet模型复现详解目录什么是DensenetDensenet1、Densenet的整体结构2、DenseBlock3、TransitionLayer网络实现代码

什么是Densenet

据说Densenet比Resnet还要厉害，我决定好好学一下。

ResNet模型的出现使得深度学习神经网络可以变得更深，进而实现了更高的准确度。

ResNet模型的核心是通过建立前面层与后面层之间的短路连接（shortcuts），这有助于训练过程中梯度的反向传播，从而能训练出更深的CNN网络。

DenseNet模型，它的基本思路与ResNet一致，也是建立前面层与后面层的短路连接，不同的是，但是它建立的是前面所有层与后面层的密集连接。

DenseNet还有一个特点是实现了特征重用。

这些特点让DenseNet在参数和计算成本更少的情形下实现比ResNet更优的性能。

DenseNet示意图如下：

代码下载

Densenet

1、Densenet的整体结构

如图所示Densenet由DenseBlock和中间的间隔模块TransitionLayer组成。

1、DenseBlock：DenseBlock指的就是DenseNet特有的模块，如下图所示，前面所有层与后面层的具有密集连接，在同一个DenseBlock当中，特征层的高宽不会发生改变，但是通道数会发生改变。

2、TransitionLayer：TransitionLayer是将不同DenseBlock之间进行连接的模块，主要功能是整合上一个DenseBlock获得的特征，并且缩小上一个DenseBlock的宽高，在TransitionLayer中，一般会使用一个步长为2的AveragePooling2D缩小特征层的宽高。

2、DenseBlock

DenseBlock的实现示意图如图所示：

以前获得的特征会在保留后不断的堆叠起来。

以一个简单例子来表现一下具体的DenseBlock的流程：

假设输入特征层为X0。

1、对x0进行一次1x1卷积调整通道数到4*32后，再利用3x3卷积获得一个32通道的特征层，此时会获得一个shape为(h,w,32)的特征层x1。

2、将获得的x1和初始的x0堆叠，获得一个新的特征层，这个特征层会同时保留初始x0的特征也会保留经过卷积处理后的特征。

3、反复经过步骤1、2的处理，原始的特征会一直得到保留，经过卷积处理后的特征也会得到保留。当网络程度不断加深，就可以实现前面所有层与后面层的具有密集连接。

实现代码为：

defdense_block(x,blocks,name):

foriinrange(blocks):

x=conv_block(x,32,name=name+'_block'+str(i+1))

returnx

defconv_block(x,growth_rate,name):

bn_axis=3

x1=layers.BatchNormalization(axis=bn_axis,

epsilon=1.001e-5,

name=name+'_0_bn')(x)

x1=layers.Activation('relu',name=name+'_0_relu')(x1)

x1=layers.Conv2D(4*growth_rate,1,

use_bias=False,

name=name+'_1_conv')(x1)

x1=layers.BatchNormalization(axis=bn_axis,epsilon=1.001e-5,

name=name+'_1_bn')(x1)

x1=layers.Activation('relu',name=name+'_1_relu')(x1)

x1=layers.Conv2D(growth_rate,3,

padding='same',

use_bias=False,

name=name+'_2_conv')(x1)

x=layers.Concatenate(axis=bn_axis,name=name+'_concat')([x,x1])

returnx

3、TransitionLayer

TransitionLayer将不同DenseBlock之间进行连接的模块，主要功能是整合上一个DenseBlock获得的特征，并且缩小上一个DenseBlock的宽高，在TransitionLayer中，一般会使用一个步长为2的AveragePooling2D缩小特征层的宽高。

实现代码为：

deftransition_block(x,reduction,name):

bn_axis=3

x=layers.BatchNormalization(axis=bn_axis,epsilon=1.001e-5,

name=name+'_bn')(x)

x=layers.Activation('relu',name=name+'_relu')(x)

x=layers.Conv2D(int(_shape(x)[bn_axis]*reduction),1,

use_bias=False,

name=name+'_conv')(x)

x=layers.AveragePooling2D(2,strides=2,name=name+'_pool')(x)

returnx

网络实现代码

fromkeras.preprocessingimportimage

fromkeras.modelsimportModel

fromkerasimportlayers

fromkeras.applicationsimportimagenet_utils

fromkeras.applications.imagenet_utilsimportdecode_predictions

fromkeras.utils.data_utilsimportget_file

fromkerasimportbackend

importnumpyasnp

BASE_WEIGTHS_PATH=(

'/keras-team/keras-applications/'

'releases/download/densenet/')

DENSENET121_WEIGHT_PATH=(

BASE_WEIGTHS_PATH+

'densenet121_weights_tf_dim_ordering_tf_kernels.h5')

DENSENET169_WEIGHT_PATH=(

BASE_WEIGTHS_PATH+

'densenet169_weights_tf_dim_ordering_tf_kernels.h5')

DENSENET201_WEIGHT_PATH=(

BASE_WEIGTHS_PATH+

'densenet201_weights_tf_dim_ordering_tf_kernels.h5')

defdense_block(x,blocks,name):

foriinrange(blocks):

x=conv_block(x,32,name=name+'_block'+str(i+1))

returnx

defconv_block(x,growth_rate,name):

bn_axis=3

x1=layers.BatchNormalization(axis=bn_axis,

epsilon=1.001e-5,

name=name+'_0_bn')(x)

x1=layers.Activation('relu',name=name+'_0_relu')(x1)

x1=layers.Conv2D(4*growth_rate,1,

use_bias=False,

name=name+'_1_conv')(x1)

x1=layers.BatchNormalization(axis=bn_axis,epsilon=1.001e-5,

name=name+'_1_bn')(x1)

x1=layers.Activation('relu',name=name+'_1_relu')(x1)

x1=layers.Conv2D(growth_rate,3,

padding='same',

use_bias=False,

name=name+'_2_conv')(x1)

x=layers.Concatenate(axis=bn_axis,name=name+'_concat')([x,x1])

returnx

deftransition_block(x,reduction,name):

bn_axis=3

x=layers.BatchNormalization(axis=bn_axis,epsilon=1.001e-5,

name=name+'_bn')(x)

x=layers.Activation('relu',name=name+'_relu')(x)

x=layers.Conv2D(int(_shape(x)[bn_axis]*reduction),1,

use_bias=False,

name=name+'_conv')(x)

x=layers.AveragePooling2D(2,strides=2,name=name+'_pool')(x)

returnx

defDenseNet(blocks,

input_shape=None,

classes=1000,

**kwargs):

img_input=layers.Input(shape=input_shape)

bn_axis=3

#224,224,3-112,112,64

x=layers.ZeroPadding2D(padding=((3,3),(3,3)))(img_input)

x=layers.Conv2D(64,7,strides=2,use_bias=False,name='conv1/conv')(x)

x=layers.BatchNormalization(

axis=bn_axis,epsilon=1.001e-5,name='conv1/bn')(x)

x=layers.Activation('relu',name='conv1/relu')(x)

#112,112,64-56,56,64

x=layers.ZeroPadding2D(padding=((1,1),(1,1)))(x)

x=layers.MaxPooling2D(3,strides=2,name='pool1')(x)

#56,56,64-56,56,64+32*block[0]

#Densenet12156,56,64-56,56,64+32*6==56,56,256

x=dense_block(x,blocks[0],name='conv2')

#56,56,64+32*block[0]-28,28,32+16*block[0]

#Densenet12156,56,256-28,28,32+16*6==28,28,128

x=transition_block(x,0.5,name='pool2')

#28,28,32+16*block[0]-28,28,32+16*block[0]+32*block[1]

#Densenet12128,28,128-28,28,128+32*12==28,28,512

x=dense_block(x,blocks[1],name='conv3')

#Densenet12128,28,512-14,14,256

x=transition_block(x,0.5,name='pool3')

#Densenet12114,14,256-14,14,256+32*block[2]==14,14,1024

x=dense_block(x,blocks[2],name='conv4')

#Densenet12114,14,1024-7,7,512

x=transition_block(x,0.5,name='pool4')

#Densenet1217,7,512-7,7,256+32*block[3]==7,7,1024

x=dense_block(x,blocks[3],name='conv5')

x=layers.BatchNormalization(axis=bn_axis,epsilon=1.001e-5,name='bn')(x)

x=layers.Activation('relu',name='relu')(x)

x=layers.GlobalAveragePooling2D(name='avg_pool')(x)

x=layers.Dense(classes,activation='softmax',name='fc1000')(x)

inputs=img_input

ifblocks==[6,12,24,16]:

model=Model(inputs,x,name='densenet121')

elifblocks==[6,12,32,32]:

model=Model(inputs,x,name='densenet169')

elifblocks==[6,12,48,32]:

model=Model(inputs,x,name='densenet201')

else:

model=Model(inputs,x,name='densenet')

returnmodel

defDenseNet121(input_shape=[224,224,3],

classes=1000,

**kwargs):

returnDenseNet([6,12,24,16],

input_shape,classes,

**kwargs)

defDenseNet169(input_shape=[224,224,3],

classes=1000,

**kwargs):

returnDenseNet([6,12,32,32],

input_shape,classes,

**kwargs)

defDenseNet201(input_shape=[224,224,3],

classes=1000,

**kwargs):

returnDenseNet([6,12,48,32],

input_shape,classes,

**kwargs)

defpreprocess_input(x):

x/=255.

mean=[0.485,0.456,0.406]

std=[0.229,0.224,0.225]

x[...,0]-=mean[0]

x[...,1]-=mean[1]

x[...,2]-=mean[2]

ifstdisnotNone:

x[...,0]/=std[0]

x[...,1]/=std[1]

x[...,2]/=std[2]

returnx

if__name__=='__main__':

#model=DenseNet121()

#weights_path=get_file(

#'densenet121_weights_tf_dim_ordering_tf_kernels.h5',

#DENSENET121_WEIGHT_PATH,

#cache_subdir='models',

#file_hash='9d60b8095a5708f2dcce2bca79d332c7')

model=DenseNet169()

weights_path=get_file