之前四篇文章分别介绍了如何使用AlexNet 、VGG19 、 ResNet_152 、 Inception_V4训练自己数据集，本节将介绍最后一个经典图像识别模型Densenet，Densenet是CVPR2017年的Best Paper, DenseNet脱离了加深网络层数(ResNet)和加宽网络结构(Inception)来提升网络性能的定式思维。它建立的是前面所有层与后面层的密集连接(dense connection)。关于Densenet架构上的具体讲解可以参考知乎上的一篇文章。PS一下因为是CVPR2017的最佳论文，所以关于架构的讲解有很多。有问题上知乎。
我们首先看一下Densenet的架构图，用于判断咱们后面的代码是否正确。PS一下很不喜欢Densenet代码的结构，因为和Inception 系列一样都是封装好了一个个的块，运行的时候需要执行多少遍块中代码就来几次循环。别人参考模型的时候很不方便。
主程序运行的过程可以参考一下第一节的内容。
咱们一步步的比较一下，上述架构图和下面代码的之间的关系
第一： 因为代码比较复杂，所以首先从整体上比较一下，也即是上图中的dense_block、 transition_layer、conv_layer、Max_Pooling在代码中是否存在。 直观上看是存在的，
第二： 图中前两层分别是卷积核大小为 7 * 7 和 3 * 3的卷积操作和池化操作， 代码中符合
第三： 图中接下来为三个dense_block和transition_layer 代码中我定义的是也是三个[dense_block和transition_layer]交错。
第四： 图中接下来是一层dense_block，然后经过一个卷积核大小为7*7的池化层，进入全连接层 代码中首先是dense_block 经过卷积核大小为7*7 的池化层进入全连接层。
Densenet是最后一篇要介绍的经典图像识别的模型了。每一篇我都会把论文中图像的架构拿出来和最后写的代码做个比较，我的意思不是经典模型一点都不能修改，而是通过模型和代码结合更好的理解这些模型。大家会发现我的模型中都没有涉及模型的保存操作，因为接下来我会介绍两篇如何使用已经训练好的模型，进行图像识别。而且我们发现最后训练的图像效果好像不是很好。这个首先是数据集的问题，卫星图像本身很难分清，单单使用一个模型肯定不会很好的，融合模型才是比赛取胜的关键。最主要的一个原因是比赛中我们不仅有图像还有对应文本数据。
昨天晚上训练了一夜。只是训练了800个epoch。但是可以看到验证集上准确率正在增加，训练集上的准确率在动荡。所以整体而言模型还是不错的，我想如果放在mnist数据集上效果一定很不错。
到此这篇resnet2（resnet20参数量）的文章就介绍到这了,更多相关内容请继续浏览下面的相关推荐文章，希望大家都能在编程的领域有一番成就！
版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。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。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！
转载请注明出处，原文链接：https://www.xkablog.com/rfx/68794.html