原创力文档- 1、本文档共4页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
python构建复杂⽹络_从零开始⾃⼰搭建复杂⽹络（以
Tensorflow为例）
importtensorflow as tffrom mobilenet_v2.ops import *
def mobilenetv2(inputs, num_classes, is_train=True, reuse=False):
exp= 6 #expansion ratio
with tf.variable_scope(mobilenetv2):
net= conv2d_block(inputs, 32, 3, 2, is_train, name=conv1_1) #size/2
net= res_block(net, 1, 16, 1, is_train, name=res2_1)
net= res_block(net, exp, 24, 2, is_train, name=res3_1) #size/4
net = res_block(net, exp, 24, 1, is_train, name=res3_2)
net= res_block(net, exp, 32, 2, is_train, name=res4_1) #size/8
net = res_block(net, exp, 32, 1, is_train, name=res4_2)
net= res_block(net, exp, 32, 1, is_train, name=res4_3)
net= res_block(net, exp, 64, 1, is_train, name=res5_1)
net= res_block(net, exp, 64, 1, is_train, name=res5_2)
net= res_block(net, exp, 64, 1, is_train, name=res5_3)
net= res_block(net, exp, 64, 1, is_train, name=res5_4)
net= res_block(net, exp, 96, 2, is_train, name=res6_1) #size/16
net = res_block(net, exp, 96, 1, is_train, name=res6_2)
net= res_block(net, exp, 96, 1, is_train, name=res6_3)
net= res_block(net, exp, 160, 2, is_train, name=res7_1) #size/32
net = res_block(net, exp, 160, 1, is_train, name=res7_2)
net= res_block(net, exp, 160, 1, is_train, name=res7_3)
net= res_block(net, exp, 320, 1, is_train, name=res8_1, shortcut=False)
net= pwise_block(net, 1280, is_train, name=conv9_1)
net=global_avg(net)
logits= flatten(conv_1x1(net, num_classes, name=logits))
pred= tf.nn.softmax(logits, name=prob)return logits, pred
MobileNetV2在第⼀层使⽤了⼀个通道数为3×3的卷积进⾏处理，之后才转⼊res_block(残差层)，在经过res_block叠加之后，使⽤
pwise_block(主要是1×1的卷积调整通道数)，然后使⽤平均池化层，和⼀个1×1的卷积，将最后输出变为类数。
接着我们来细讲每⼀个模块：
⾸先是第⼀层卷积模块：
卷积模块由下⾯两个函数组成
卷积模块由卷积层和批正则化(batch_normalization)，以及relu6组成
def conv2d(input_, output_dim, k_h, k_w, d_h, d_w, stddev=0.02, name=conv2d, bias=False):
with tf.variable_scope(name):
w= tf.get_variable(w, [k_h, k_w, input_.get_shape()[-1], output_dim],
regularizer=tf.contrib.layers.
文档评论（0）