1、残差连接是目前常用的组件,解决了大规模深度学习模型梯度消失和瓶颈问题。
通常,在10层以上的模型中追加残差连接可能有帮助。
fromkerasimportlayers x=... y=layers.Conv2D(128,3,activation='relu',padding='same')(x) y=layers.Conv2D(128,3,activation='relu',padding='same')(y) y=layers.MaxPooling2D(2,strides=2)(y) #形状不同,要做线性变换: residual=layers.Conv2D(128,1,strides=2,padding='same')(x)#使用1×1卷积,将x线性下采样为与y具有相同的形状 y=layers.add([y,residual])
2、标准化用于使模型看到的不同样本更相似,有助于模型的优化和泛化。
#Conv conv_model.add(layers.Conv2D(32,3,activation='relu')) conv_model.add(layers.BatchNormalization()) #Dense dense_model.add(layers.Dense(32,activation='relu')) dense_model.add(layers.BatchNormalization()) 3、深度可分离卷积层,在Keras中被称为SeparableConv2D,其功能与普通Conv2D相同。 但是SeparableConv2D比Conv2D轻,训练快,精度高。 fromtensorflow.keras.modelsimportSequential,Model fromtensorflow.kerasimportlayers height=64 width=64 channels=3 num_classes=10 model=Sequential() model.add(layers.SeparableConv2D(32,3, activation='relu', input_shape=(height,width,channels,))) model.add(layers.SeparableConv2D(64,3,activation='relu')) model.add(layers.MaxPooling2D(2)) model.add(layers.SeparableConv2D(64,3,activation='relu')) model.add(layers.SeparableConv2D(128,3,activation='relu')) model.add(layers.MaxPooling2D(2)) model.add(layers.SeparableConv2D(64,3,activation='relu')) model.add(layers.SeparableConv2D(128,3,activation='relu')) model.add(layers.GlobalAveragePooling2D()) model.add(layers.Dense(32,activation='relu')) model.add(layers.Dense(num_classes,activation='softmax')) model.compile(optimizer='rmsprop',loss='categorical_crossentropy')
以上就是Python高级架构模式的整理,希望对大家有所帮助。更多Python学习指路:Python基础教程
声明:本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。
评论(0)