Python精选200Tips：176-180

news2024/11/16 13:33:33

针对图像的经典卷积网络结构进化史及可视化

    • P176--LeNet-5【1988】
      • 模型结构说明
      • 模型结构代码
      • 模型结构可视化
    • P177--AlexNet【2012】
      • 模型结构及创新性说明
      • 模型结构代码
      • 模型结构可视化
    • P178--VGGNet【2014】
      • VGG19模型结构及创新性说明
      • VGG19模型结构代码
      • VGG19模型结构可视化
    • P179--ResNet【2015】
      • 模型结构及创新性说明
      • ResNet-50、101、152模型结构代码
        • ResNet-50代码
        • ResNet-101代码
        • ResNet-152代码
      • ResNet系列模型结构可视化
    • P180--DenseNet【2017】
      • 模型结构及创新性
      • DenseNet-121、169、201模型结构代码
        • DenseNet-121代码
        • DenseNet-169代码
        • DenseNet-201代码
      • DenseNet系列模型结构可视化

运行系统：macOS Sequoia 15.0
Python编译器：PyCharm 2024.1.4 (Community Edition)
Python版本：3.12
TensorFlow版本：2.17.0
Pytorch版本：2.4.1

往期链接：

1-56-1011-2021-3031-4041-50
51-60：函数61-70：类71-80：编程范式及设计模式
81-90：Python编码规范91-100：Python自带常用模块-1
101-105：Python自带模块-2106-110：Python自带模块-3
111-115：Python常用第三方包-频繁使用116-120：Python常用第三方包-深度学习
121-125：Python常用第三方包-爬取数据126-130：Python常用第三方包-为了乐趣
131-135：Python常用第三方包-拓展工具1136-140：Python常用第三方包-拓展工具2

Python项目实战

141-145146-150151-155156-160161-165166-170171-175

P176–LeNet-5【1988】

LeNet-5 是一种经典的卷积神经网络（CNN）架构，由 Yann LeCun 等人在 1998 年提出。它最初是为手写数字识别任务（如 MNIST 数据集）设计的，但其架构已成为许多后续深度学习模型的基础。

模型结构说明

LeNet-5 由以下几个主要层组成：

  • 输入层：28x28 像素的灰度图像。
  • 卷积层 1 (C1)：使用 6 个 5x5 的卷积核，步长为 1，输出 6 个 24x24 的特征图。
  • 池化层 1 (S2)：使用 2x2 的平均池化，步长为 2，输出 6 个 12x12 的特征图。
  • 卷积层 2 (C3)：使用 16 个 5x5 的卷积核，输出 16 个 8x8 的特征图。
  • 池化层 2 (S4)：使用 2x2 的平均池化，步长为 2，输出 16 个 4x4 的特征图。
  • 全连接层 1 (C5)：将 16 个 4x4 的特征图展平为一个 400 维的向量，并与 120 个神经元全连接。
  • 全连接层 2 (F6)：与 84 个神经元全连接。
  • 输出层：使用 Softmax 激活函数输出 10 个类别（0-9 的手写数字）。

模型结构代码

import matplotlib.pyplot as plt
from keras.utils import plot_model
from tensorflow.keras import layers, models

# 定义 LeNet-5 模型
def create_lenet5():
    model = models.Sequential()
    model.add(layers.Conv2D(6, (5, 5), activation='tanh', input_shape=(28, 28, 1)))
    model.add(layers.AveragePooling2D(pool_size=(2, 2)))  # 添加 pool_size 参数
    model.add(layers.Conv2D(16, (5, 5), activation='tanh'))
    model.add(layers.AveragePooling2D(pool_size=(2, 2)))  # 添加 pool_size 参数
    model.add(layers.Conv2D(120, (5, 5), activation='tanh'))
    model.add(layers.Flatten())
    model.add(layers.Dense(84, activation='tanh'))
    model.add(layers.Dense(10, activation='softmax'))
    return model

# 创建模型
model = create_lenet5()

# 保存模型结构
plot_model(model, to_file='lenet5_model.png', show_shapes=True, show_layer_names=True)

# 显示可视化结果
img = plt.imread('lenet5_model.png')
plt.figure(figsize=(10, 10))
plt.title('lenet5')
plt.imshow(img)
plt.axis('off')
plt.show()

模型结构可视化

在这里插入图片描述

P177–AlexNet【2012】

AlexNet 是一种深度卷积神经网络（CNN），由 Alex Krizhevsky、Ilya Sutskever 和 Geoffrey Hinton 在 2012 年提出。它在 ImageNet 竞赛中取得了显著的成功，推动了深度学习在计算机视觉领域的广泛应用。

模型结构及创新性说明

AlexNet 的架构如下所示：

  • 输入层：224x224 像素的 RGB 图像。
  • 卷积层 1 (Conv1)：使用 96 个 11x11 的卷积核，步长为 4。
  • 激活层 1 (ReLU)：应用 ReLU 激活函数。
  • 池化层 1 (Max Pooling)：使用 3x3 的最大池化，步长为 2。
  • 卷积层 2 (Conv2)：使用 256 个 5x5 的卷积核。
  • 激活层 2 (ReLU)：应用 ReLU 激活函数。
  • 池化层 2 (Max Pooling)：使用 3x3 的最大池化，步长为 2。
  • 卷积层 3 (Conv3)：使用 384 个 3x3 的卷积核。
  • 激活层 3 (ReLU)：应用 ReLU 激活函数。
  • 卷积层 4 (Conv4)：使用 384 个 3x3 的卷积核。
  • 激活层 4 (ReLU)：应用 ReLU 激活函数。
  • 卷积层 5 (Conv5)：使用 256 个 3x3 的卷积核。
  • 激活层 5 (ReLU)：应用 ReLU 激活函数。
  • 池化层 3 (Max Pooling)：使用 3x3 的最大池化，步长为 2。
  • 全连接层 1 (FC1)：与 4096 个神经元全连接。
  • 激活层 6 (ReLU)：应用 ReLU 激活函数。
  • Dropout 层 1：以 50% 的概率随机丢弃神经元。
  • 全连接层 2 (FC2)：与 4096 个神经元全连接。
  • 激活层 7 (ReLU)：应用 ReLU 激活函数。
  • Dropout 层 2：以 50% 的概率随机丢弃神经元。
  • 全连接层 3 (FC3)：与 1000 个神经元全连接（对应 1000 个类别）。
  • 输出层：使用 Softmax 激活函数。

创新性
AlexNet 模型的创新性体现在多个方面，以下是其关键特点：

  1. 深层网络结构
    深度卷积网络：相比之前的浅层网络，AlexNet 采用了更深的结构，包含多个卷积层和全连接层，能够学习更复杂的特征。
  2. 激活函数的创新
    ReLU 激活函数：引入了 ReLU（修正线性单元）作为激活函数，解决了传统激活函数（如 Sigmoid 和 Tanh）在深层网络中造成的梯度消失问题，加速了训练过程。
  3. 数据增强和正则化
    数据增强：通过随机裁剪、翻转和颜色变换等方法扩充训练数据，增强模型的泛化能力。
  4. Dropout的加入
    在全连接层中使用 Dropout 技术，随机丢弃一部分神经元，减少过拟合，提高模型的鲁棒性。

模型结构代码

import matplotlib.pyplot as plt
from keras.utils import plot_model
from tensorflow.keras import layers, models

# macos系统显示中文
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']

# 定义 alexnet 模型
def create_alexnet(input_shape=(224, 224, 3), num_classes=1000):
    model = models.Sequential()

    # 卷积层1 激活函数ReLU 池化层1
    model.add(layers.Conv2D(96, kernel_size=(11, 11), strides=(4, 4), activation='relu', input_shape=input_shape))
    model.add(layers.MaxPooling2D(pool_size=(3, 3), strides=(2, 2)))

    # 卷积层2 激活函数ReLU 最大池化层2
    model.add(layers.Conv2D(256, kernel_size=(5, 5), activation='relu'))
    model.add(layers.MaxPooling2D(pool_size=(3, 3), strides=(2, 2)))

    # 卷积层3 激活函数ReLU
    model.add(layers.Conv2D(384, kernel_size=(3, 3), activation='relu'))

    # 卷积层4 激活函数ReLU
    model.add(layers.Conv2D(384, kernel_size=(3, 3), activation='relu'))

    # 卷积层5 激活函数ReLU 最大池化层5
    model.add(layers.Conv2D(256, kernel_size=(3, 3), activation='relu'))
    model.add(layers.MaxPooling2D(pool_size=(3, 3), strides=(2, 2)))

    # 展平层，为了后面的全连接层
    model.add(layers.Flatten())

    # 全连接层 激活函数ReLU，Dropout概率0.5
    model.add(layers.Dense(4096, activation='relu'))
    model.add(layers.Dropout(0.5))

    # 全连接层 Dropout概率0.5
    model.add(layers.Dense(4096, activation='relu'))
    model.add(layers.Dropout(0.5))

    # 全连接层，激活函数Softmax
    model.add(layers.Dense(num_classes, activation='softmax'))

    return model


# 创建 AlexNet 模型
model = create_alexnet()
model.summary()

# 保存模型结构
plot_model(model, to_file='AlexNet_model.png', show_shapes=True, show_layer_names=True)

# 显示可视化结果
img = plt.imread('AlexNet_model.png')
plt.figure(figsize=(10, 10))
plt.title('AlexNet 结构可视化')
plt.imshow(img)
plt.axis('off')
plt.show()

模型结构可视化

在这里插入图片描述

P178–VGGNet【2014】

VGGNet 是由牛津大学视觉几何组（Visual Geometry Group）在 2014 年提出的卷积神经网络（CNN）架构。VGGNet 在 ImageNet 大规模视觉识别挑战赛中取得了优异的成绩，并以其简单而有效的设计理念而闻名。VGGNet 有多个变体，最常用的包括 VGG16 和 VGG19，数字表示网络中的层数。本文以VGG19为例：

VGG19模型结构及创新性说明

  • 输入层：输入图像尺寸：224x224 像素，RGB 图像。
  • Conv Block 1：
    • Conv1-1: 3x3卷积，64个滤波器
    • Conv1-2: 3x3卷积，64个滤波器
    • Max Pooling: 2x2
  • Conv Block 2：
    • Conv2-1: 3x3卷积，128个滤波器
    • Conv2-2: 3x3卷积，128个滤波器
    • Max Pooling: 2x2
  • Conv Block 3：
    • Conv3-1: 3x3卷积，256个滤波器
    • Conv3-2: 3x3卷积，256个滤波器
    • Conv3-3: 3x3卷积，256个滤波器
    • Max Pooling: 2x2
  • Conv Block 4：
    • Conv4-1: 3x3卷积，512个滤波器
    • Conv4-2: 3x3卷积，512个滤波器
    • Conv4-3: 3x3卷积，512个滤波器
    • Max Pooling: 2x2
  • Conv Block 5：
    • Conv5-1: 3x3卷积，512个滤波器
    • Conv5-2: 3x3卷积，512个滤波器
    • Conv5-3: 3x3卷积，512个滤波器
    • Max Pooling: 2x2
  • 展开层
  • 全连接层：
    • FC1: 4096个神经元，ReLU 激活
    • FC2: 4096个神经元，ReLU 激活
    • FC3: 1000个神经元（对应 1000 个类别），Softmax 激活

创新性

VGGNet结构的创新性：

  • 简单而深层的结构
    VGGNet 使用简单的 3x3 卷积和 2x2 最大池化构建深层网络，证明了通过增加网络深度可以提高模型的性能。
  • 一致的卷积核大小
    所有卷积层均采用相同大小的卷积核（3x3），使网络结构更加简洁且易于理解。
  • 深度网络的有效性
    VGGNet 通过增加网络深度（16 或 19 层）来提高分类性能，展示了深度学习在复杂图像任务中的优势。
  • 可解释性
    尽管模型较深，但其结构相对简单，易于可视化和理解。

VGG19模型结构代码

import matplotlib.pyplot as plt
from keras.utils import plot_model
from tensorflow.keras import layers, models

# macos系统显示中文
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']

def create_vgg19(input_shape=(224, 224, 3), num_classes=1000):
    model = models.Sequential()

    # Conv Block 1
    model.add(layers.Conv2D(64, (3, 3), padding='same', activation='relu', input_shape=input_shape))
    model.add(layers.Conv2D(64, (3, 3), padding='same', activation='relu'))
    model.add(layers.MaxPooling2D((2, 2), strides=(2, 2)))

    # Conv Block 2
    model.add(layers.Conv2D(128, (3, 3), padding='same', activation='relu'))
    model.add(layers.Conv2D(128, (3, 3), padding='same', activation='relu'))
    model.add(layers.MaxPooling2D((2, 2), strides=(2, 2)))

    # Conv Block 3
    model.add(layers.Conv2D(256, (3, 3), padding='same', activation='relu'))
    model.add(layers.Conv2D(256, (3, 3), padding='same', activation='relu'))
    model.add(layers.Conv2D(256, (3, 3), padding='same', activation='relu'))
    model.add(layers.MaxPooling2D((2, 2), strides=(2, 2)))

    # Conv Block 4
    model.add(layers.Conv2D(512, (3, 3), padding='same', activation='relu'))
    model.add(layers.Conv2D(512, (3, 3), padding='same', activation='relu'))
    model.add(layers.Conv2D(512, (3, 3), padding='same', activation='relu'))
    model.add(layers.MaxPooling2D((2, 2), strides=(2, 2)))

    # Conv Block 5
    model.add(layers.Conv2D(512, (3, 3), padding='same', activation='relu'))
    model.add(layers.Conv2D(512, (3, 3), padding='same', activation='relu'))
    model.add(layers.Conv2D(512, (3, 3), padding='same', activation='relu'))
    model.add(layers.MaxPooling2D((2, 2), strides=(2, 2)))

    # Flattening Layer
    model.add(layers.Flatten())

    # Fully Connected Layers
    model.add(layers.Dense(4096, activation='relu'))
    model.add(layers.Dense(4096, activation='relu'))
    model.add(layers.Dense(num_classes, activation='softmax'))

    return model


# 创建 VGG19 模型
vgg19_model = create_vgg19()
vgg19_model.summary()

plot_model(vgg19_model, to_file='vgg19_model.png', show_shapes=True, show_layer_names=True, dpi=500)

# 显示可视化结果
img = plt.imread('vgg19_model.png')
plt.figure(figsize=(10, 10))
plt.title('VGG19 结构可视化')
plt.imshow(img)
plt.axis('off')
plt.show()

VGG19模型结构可视化

在这里插入图片描述

P179–ResNet【2015】

模型结构及创新性说明

ResNet（Residual Network）是由 Kaiming He 等人在 2015 年提出的一种深度卷积神经网络。其主要创新在于引入了残差学习（Residual Learning）框架，解决了深层网络训练中的梯度消失和退化问题。

模型结构

ResNet 的核心思想是通过引入跳跃连接（skip connections）来构建残差块（Residual Block）。以下是 ResNet 的基本结构：

  • 输入层：
    输入图像尺寸：通常为 224x224 像素的 RGB 图像。
  • 初始卷积层：
    使用 7x7 的卷积核，64 个滤波器，步长为 2，后跟最大池化层。
  • 残差块：
    由多个残差块组成，每个残差块包含两个或三个卷积层。每个残差块的输出通过跳跃连接与输入相加，形成残差学习。残差块可以分为以下几种类型：
    • Basic Block：适用于较小的特征图。
    • Bottleneck Block：适用于较大的特征图，使用 1x1 卷积减少维度，后接 3x3 卷积和再用 1x1 卷积恢复维度。
  • 全局平均池化层：
    在所有残差块之后，使用全局平均池化层减小特征图的尺寸。
  • 全连接层：
    最后一层使用 Softmax 激活函数输出类别概率。

ResNet 的创新性

  • 残差学习
    引入残差块，通过跳跃连接直接将输入添加到输出，允许网络学习残差而非直接学习目标函数，缓解了深层网络训练中的梯度消失问题。
  • 可以实现极深的网络结构
    ResNet 允许构建非常深的网络（例如 ResNet-50、ResNet-101、ResNet-152），在 2015 年 ImageNet 竞赛中表现优异。
  • 简单的构建模块
    残差块的设计使得构建深层网络变得简单，极大地推动了深度学习领域的发展。
  • 普适性
    ResNet 的设计思想被广泛应用于其他任务和模型，如目标检测、语义分割等。

ResNet-50、101、152模型结构代码

import matplotlib.pyplot as plt
from keras.utils import plot_model
from tensorflow.keras import layers, models

# macos系统显示中文
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']

def identity_block(x, filters, kernel_size=3):
    x_skip = x
    f1, f2, f3 = filters

    x = layers.Conv2D(f1, (1, 1), strides=(1, 1), padding='valid')(x)
    x = layers.BatchNormalization()(x)
    x = layers.Activation('relu')(x)

    x = layers.Conv2D(f2, kernel_size, strides=(1, 1), padding='same')(x)
    x = layers.BatchNormalization()(x)
    x = layers.Activation('relu')(x)

    x = layers.Conv2D(f3, (1, 1), strides=(1, 1), padding='valid')(x)
    x = layers.BatchNormalization()(x)

    x = layers.Add()([x, x_skip])
    x = layers.Activation('relu')(x)

    return x

def convolutional_block(x, filters, kernel_size=3, stride=2):
    x_skip = x
    f1, f2, f3 = filters

    x = layers.Conv2D(f1, (1, 1), strides=(stride, stride), padding='valid')(x)
    x = layers.BatchNormalization()(x)
    x = layers.Activation('relu')(x)

    x = layers.Conv2D(f2, kernel_size, strides=(1, 1), padding='same')(x)
    x = layers.BatchNormalization()(x)
    x = layers.Activation('relu')(x)

    x = layers.Conv2D(f3, (1, 1), strides=(1, 1), padding='valid')(x)
    x = layers.BatchNormalization()(x)

    x_skip = layers.Conv2D(f3, (1, 1), strides=(stride, stride), padding='valid')(x_skip)
    x_skip = layers.BatchNormalization()(x_skip)

    x = layers.Add()([x, x_skip])
    x = layers.Activation('relu')(x)

    return x

def ResNet(input_shape, num_classes, blocks):
    inputs = layers.Input(shape=input_shape)

    x = layers.ZeroPadding2D(padding=(3, 3))(inputs)
    x = layers.Conv2D(64, (7, 7), strides=(2, 2))(x)
    x = layers.BatchNormalization()(x)
    x = layers.Activation('relu')(x)
    x = layers.MaxPooling2D((3, 3), strides=(2, 2))(x)

    x = convolutional_block(x, [64, 64, 256], kernel_size=3, stride=1)
    for _ in range(blocks[0] - 1):
        x = identity_block(x, [64, 64, 256], kernel_size=3)

    x = convolutional_block(x, [128, 128, 512], kernel_size=3, stride=2)
    for _ in range(blocks[1] - 1):
        x = identity_block(x, [128, 128, 512], kernel_size=3)

    x = convolutional_block(x, [256, 256, 1024], kernel_size=3, stride=2)
    for _ in range(blocks[2] - 1):
        x = identity_block(x, [256, 256, 1024], kernel_size=3)

    x = convolutional_block(x, [512, 512, 2048], kernel_size=3, stride=2)
    for _ in range(blocks[3] - 1):
        x = identity_block(x, [512, 512, 2048], kernel_size=3)

    x = layers.GlobalAveragePooling2D()(x)
    x = layers.Dense(num_classes, activation='softmax')(x)

    model = models.Model(inputs, x)
    return model
ResNet-50代码
# ResNet50
resnet50 = ResNet((224, 224, 3), 1000, [3, 4, 6, 3])
resnet50.summary()

plot_model(resnet50, to_file='resnet50.pdf', show_shapes=True,
           show_layer_names=True)
ResNet-101代码
# ResNet101
resnet101 = ResNet((224, 224, 3), 1000, [3, 4, 23, 3])
resnet101.summary()

plot_model(resnet101, to_file='resnet101.pdf', show_shapes=True,
           show_layer_names=True)
ResNet-152代码
# ResNet152
resnet152 = ResNet((224, 224, 3), 1000, [3, 8, 36, 3])
resnet152.summary()

plot_model(resnet152, to_file='resnet152.pdf', show_shapes=True,
           show_layer_names=True)

ResNet系列模型结构可视化

ResNet50、101、152模型结构PDF下载地址

P180–DenseNet【2017】

模型结构及创新性

DenseNet（Densely Connected Convolutional Networks）是由 Gao Huang 等人在 2017 年提出的一种卷积神经网络架构。DenseNet 的核心思想是通过密集连接（Dense Connectivity）来构建网络，使得每一层都与之前所有层相连。

模型结构

  • 输入层： 输入图像尺寸：通常为 224x224 像素的 RGB 图像。
  • 初始卷积层： 使用 7x7 的卷积核，64 个滤波器，步长为 2，后跟最大池化层。
  • 密集块（Dense Block）：
    网络由多个密集块组成，每个密集块内部包含多个卷积层。每个卷积层的输出被直接连接到后续的所有卷积层，形成了密集连接。通过将所有前面层的特征图作为输入，DenseNet 能够有效地传递特征并减少梯度消失。
  • 过渡层（Transition Layer）：
    每个密集块后面有一个过渡层，用于减少特征图的尺寸和通道数。过渡层通常包含 1x1 的卷积和 2x2 的平均池化。
  • 全局平均池化层：
    在最后一个密集块之后，使用全局平均池化层减小特征图的尺寸。
  • 全连接层： 最后一层使用 Softmax 激活函数输出类别概率。

DenseNet 的创新性

密集连接：
每一层都与前面的所有层相连，这种连接方式增强了特征的传播和重用，解决了深层网络中的梯度消失问题。
参数效率：
DenseNet 通过重用特征图，显著减少了模型参数的数量，相比于传统的卷积网络，DenseNet 具有更高的参数效率。
特征重用：
通过密集连接，DenseNet 能够在不同层之间共享特征，使得网络更加高效，并且有助于学习更丰富的特征表示。
适应性强：
DenseNet 在不同的任务和数据集上表现出色，适用于图像分类、目标检测等多种计算机视觉任务。
网络深度：
DenseNet 可构建非常深的网络（如 DenseNet-121、DenseNet-169、DenseNet-201），在多个基准数据集上取得了优秀的结果。

DenseNet-121、169、201模型结构代码

import matplotlib.pyplot as plt
import tensorflow as tf
from keras.utils import plot_model
from tensorflow.keras import layers, models

# macos系统显示中文
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']


def dense_block(x, units):
    for i in range(units):
        x1 = layers.BatchNormalization()(x)
        x1 = layers.ReLU()(x1)
        x1 = layers.Conv2D(32, (1, 1), padding='same')(x1)

        x2 = layers.BatchNormalization()(x1)
        x2 = layers.ReLU()(x2)
        x2 = layers.Conv2D(32, (3, 3), padding='same')(x2)

        x = layers.Concatenate()([x, x2])
    return x


def transition_layer(x, reduction):
    x = layers.BatchNormalization()(x)
    x = layers.ReLU()(x)
    x = layers.Conv2D(int(tf.keras.backend.int_shape(x)[-1] * reduction), (1, 1), padding='same')(x)
    x = layers.AveragePooling2D((2, 2), strides=(2, 2))(x)
    return x


def create_densenet(input_shape=(224, 224, 3), num_classes=1000, dense_blocks=(6, 12, 24, 16)):
    inputs = layers.Input(shape=input_shape)

    x = layers.Conv2D(64, (7, 7), strides=2, padding='same')(inputs)
    x = layers.BatchNormalization()(x)
    x = layers.ReLU()(x)
    x = layers.MaxPooling2D((3, 3), strides=2)(x)

    for i, block_size in enumerate(dense_blocks):
        x = dense_block(x, units=block_size)
        if i < len(dense_blocks) - 1:
            x = transition_layer(x, reduction=0.5)

    x = layers.GlobalAveragePooling2D()(x)
    outputs = layers.Dense(num_classes, activation='softmax')(x)

    model = models.Model(inputs, outputs)
    return model
DenseNet-121代码
# 创建 DenseNet-121 模型
densenet121_model = create_densenet(dense_blocks=(6, 12, 24, 16))
densenet121_model.summary()

plot_model(densenet121_model, to_file='densenet121_model.pdf', show_shapes=True,
           show_layer_names=True)
DenseNet-169代码
# 创建 DenseNet-169 模型
densenet169_model = create_densenet(dense_blocks=(6, 12, 32, 32))
densenet169_model.summary()

plot_model(densenet169_model, to_file='densenet169_model.pdf', show_shapes=True,
           show_layer_names=True)
DenseNet-201代码
# 创建 DenseNet-201 模型
densenet201_model = create_densenet(dense_blocks=(6, 12, 48, 32))
densenet201_model.summary()

plot_model(densenet201_model, to_file='densenet201_model.pdf', show_shapes=True,
           show_layer_names=True)

DenseNet系列模型结构可视化

DenseNet121、169、201模型PDF高清结构下载地址

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。如若转载，请注明出处：http://www.coloradmin.cn/o/2171344.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

Datawhale Leecode基础算法篇 task04：贪心算法

Datawhale Leecode基础算法篇 task04：贪心算法

官方学习文档&#xff1a;datawhalechina 往期task01&#xff1a;枚举算法链接&#xff1a;Datawhale Leecode基础算法篇 task01&#xff1a;枚举算法 往期task02&#xff1a;递归算法and分治算法&#xff1a;Datawhale Leecode基础算法篇 task02&#xff1a;递归算法and分治…
阅读更多...
项目实战：k8s部署考试系统

项目实战：k8s部署考试系统

一、新建nfs服务器&#xff08;192.168.1.44&#xff09; 1.基础配置&#xff08;IP地址防火墙等&#xff09; 2.配置时间同步 [rootlocalhost ~]# yum -y install ntpdate.x86_64 [rootlocalhost ~]# ntpdate time2.aliyun.com 27 Sep 10:28:08 ntpdate[1634]: adjust tim…
阅读更多...
风景视频素材高清无水印怎么找？推荐几个风景视频素材下载网站

风景视频素材高清无水印怎么找？推荐几个风景视频素材下载网站

那些绝美的大自然风景视频素材都在哪里找的&#xff1f;今天就跟大家聊聊那些可以下载高清无水印的大自然风景视频素材的网站&#xff0c;如果你也在苦苦寻找&#xff0c;快来看看吧&#xff5e; 1. 稻虎网 稻虎网作为国内遥遥领先的视频素材网站&#xff0c;提供了大量高清无…
阅读更多...
2024最新Linux Socket编程

2024最新Linux Socket编程

我们深谙信息交流的价值&#xff0c;那网络中进程之间如何通信&#xff0c;如我们每天打开浏览器浏览网页时&#xff0c;浏览器的进程怎么与web服务器通信的&#xff1f;当你用QQ聊天时&#xff0c;QQ进程怎么与服务器或你好友所在的QQ进程通信&#xff1f;这些都得靠socket&am…
阅读更多...
Meta广告资料库使用教程：Facebook、Instagram海外社媒营销统统拿下！

Meta广告资料库使用教程：Facebook、Instagram海外社媒营销统统拿下！

社交媒体现今已成为大部分商家宣传推广方案中的重要工具&#xff0c;尤其是Meta旗下的两个主流社媒平台Facebook和Instagram&#xff0c;活跃用户数量以数十亿计&#xff0c;分布地区也非常广。要运用好自带影响力的社媒平台的传播力量和庞大数据&#xff0c;优化自身的宣传推广…
阅读更多...
【Kubernetes】常见面试题汇总（四十二）

【Kubernetes】常见面试题汇总（四十二）

目录 96. Kubernetes 体系结构有哪些不同的组成部分&#xff1f; 97.您能否简要介绍一下 Kubernetes 中主节点的工作&#xff1f; 特别说明&#xff1a; 题目 1-68 属于【Kubernetes】的常规概念题&#xff0c;即 “ 汇总&#xff08;一&#xff09;~&#xff08;二十二…
阅读更多...
亚马逊 Bedrock 平台也能使用Llama 3.2 模型了

亚马逊 Bedrock 平台也能使用Llama 3.2 模型了

亚马逊 Bedrock 平台推出 Llama 3.2 模型&#xff1a;多模态视觉和轻量级模型 概述 由 Meta 提供的最新 Llama 3.2 模型现已在 Amazon Bedrock 平台上推出。这一新模型系列标志着 Meta 在大型语言模型&#xff08;LLM&#xff09;领域的最新进展&#xff0c;它在多种应用场景…
阅读更多...
养猫久了才发现，宠物空气净化器才是真正除猫毛的神器

养猫久了才发现，宠物空气净化器才是真正除猫毛的神器

相信每个打工人都在期待这个国庆小长假吧&#xff0c;终于等到了&#xff01;这次我要把属于我的都夺回来&#xff01;刚好工资到手、小长假我有&#xff0c;只想往家里一躺什么也不想&#xff0c;唯一最想做的就是要在这个节假日里好好的陪一下我家猫咪&#xff0c;还有就是买…
阅读更多...
【企业微信】群机器人自动消息配置

【企业微信】群机器人自动消息配置

0、群聊机器人 内部企微群聊可以添加一个机器人&#xff0c;这个机器人其实是个消息接口&#xff0c;可以外部脚本来自动定时发送消息到群里&#xff0c;打工人最有用的提醒就是每周提醒发周报了。 1、创建机器人 一般公司都没有人使用&#xff0c;我们可以手动创建一个。 …
阅读更多...
前端练习总结(1)

前端练习总结(1)

前端实习练习题 前端实习笔试题0920 visibility:hidden display:none把鼠标移到按钮并点击时 hover active focus的顺序代码输出结果1代码输出结果2CSS中哪些属性可以继承cookie sessionStorage localstorage区别面向对象基本特征有哪些，请具体说明下列关于v-model的说法，哪项…
阅读更多...
统信服务器操作系统进入【单用户模式】

统信服务器操作系统进入【单用户模式】

统信服务器操作系统D版、E版、A版进入单用户模式的方式。 文章目录 前言一、问题现象二、问题原因三、解决方案1. D版问题解决方案2. E版及A版问题解决方案前言 D版又称企业版、E版又称欧拉版、A版又称龙蜥版。 单用户模式主要是在 grub2 引导时编辑内核引导，一般用于修改用…
阅读更多...
STM32CUBEIDE FreeRTOS操作教程（五）：mutex互斥信号量

STM32CUBEIDE FreeRTOS操作教程（五）：mutex互斥信号量

STM32CUBEIDE FreeRTOS操作教程&#xff08;五&#xff09;&#xff1a;mutex互斥信号量 STM32CUBE开发环境集成了STM32 HAL库进行FreeRTOS配置和开发的组件&#xff0c;不需要用户自己进行FreeRTOS的移植。这里介绍最简化的用户操作类应用教程。以STM32F401RCT6开发板为例&am…
阅读更多...
个人网站介绍和部署（开源）

个人网站介绍和部署（开源）

前言&#xff1a; 大家好&#xff0c;我是神的孩子都在歌唱&#xff0c;这是我csdn的博客 , 这是我做的一个神唱网站项目&#xff0c;专门是为了满足自己的需求写的&#xff0c;需要什么就做什么&#xff0c;代码完全开源github&#xff0c;含有安装部署教程&#xff0c;此项目…
阅读更多...
Geekbench6使用指南：Linux系统性能测试，如此简单！

Geekbench6使用指南：Linux系统性能测试，如此简单！

在当今计算机性能日益重要的时代&#xff0c;Geekbench 成为了测试 CPU 性能的热门工具。本文将带你深入了解如何使用 Geekbench&#xff0c;让你的电脑性能一目了然。 1. 什么是 Geekbench&#xff1f; Geekbench 是一款跨平台的基准测试工具&#xff0c;能够评估单核和多核…
阅读更多...
避免glibc版本而报错，CentOS等Linux安装node.js完美方法

避免glibc版本而报错，CentOS等Linux安装node.js完美方法

概述 对于Node.js v18.x或更高&#xff0c;Node.js官方默认是在Ubuntu 20.04, Debian 10, RHEL 8,CentOS 8等高版操作系统上编译得到的&#xff0c;高版本操作系统的glibc版本≥2.28。所以&#xff0c;下载Node.js后&#xff0c;也需要glibc版本≥2.28才能使用。 而CentOS 7.x等…
阅读更多...
【YOLOv10改进[SPPF]】使用 v9的SPPELAN替换SPPF模块 + 含全部代码和详细修改方式

【YOLOv10改进[SPPF]】使用 v9的SPPELAN替换SPPF模块 + 含全部代码和详细修改方式

本文将进行在YOLOv10中使用SPPELAN改进v10 的实践，助力YOLOv10目标检测效果，文中含全部代码、详细修改方式。助您轻松理解改进的方法。 改进前和改进后的参数对比如下： 目录 一 YOLOV9 二 使用SPPELAN改进v10的实践 1 整体修改 ① 添加SPPELAN.py文件
阅读更多...
入选ECCV 2024！覆盖5.4w+图像，MIT提出医学图像分割通用模型ScribblePrompt，性能优于SAM

入选ECCV 2024！覆盖5.4w+图像，MIT提出医学图像分割通用模型ScribblePrompt，性能优于SAM

外行看热闹&#xff0c;内行看门道&#xff0c;这句话在医学影像领域可谓是绝对真理。不仅如此&#xff0c;即便身为内行人&#xff0c;要想在复杂的 X 光片、CT 光片或 MRI 等医学影像上准确看出些「门道」来&#xff0c;也并非易事。而医学图像分割则是通过将复杂的医学图像中…
阅读更多...
双十一有什么推荐好物？，这些你不能错过的宝藏好物推荐

双十一有什么推荐好物？，这些你不能错过的宝藏好物推荐

随着双十一的临近&#xff0c;这场盛大的购物狂欢蓄势待发&#xff01;为了让大家不在琳琅满目的商品中徘徊&#xff0c;琪琪用心归纳了一份购物清单&#xff0c;分享那些我亲自使用过&#xff0c;觉得必须拥有的商品。 这些商品不仅价格公道&#xff0c;而且质量上乘&#xf…
阅读更多...
如何在iPad上用Chrome实现无痕浏览

如何在iPad上用Chrome实现无痕浏览

在数字化时代&#xff0c;隐私保护已成为我们日常生活中不可忽视的一部分。特别是在使用移动设备浏览网页时&#xff0c;如何确保个人信息的安全显得尤为重要。本文将详细介绍如何在iPad上使用Chrome浏览器实现无痕浏览&#xff0c;以保护您的在线隐私。 &#xff08;本文由ht…
阅读更多...
SpringBoot使用validation进行自参数校验

SpringBoot使用validation进行自参数校验

一&#xff1a;介绍 在 SpringBoot 项目开发中&#xff0c;很多与数据库交互的参数需要校验数据正确性。很多小伙伴会把参数判断写进代码里&#xff0c;但是这种写法往往会有低可读性以及多处使用的时候&#xff0c;需要变更验证规则时&#xff0c;不易于维护等缺点。今天给大家…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023