在此之前，我已經討論了MobileNet的體系結構

接下來，我們將看到如何使用TensorFlow從頭開始實現這個架構。

實現：

MobileNet架構：

圖顯示了我們將在代碼中實現的MobileNet體系結構。網絡從Conv、BatchNorm、ReLU塊開始，并從其上跟隨多個MobileNet塊。它最終以一個平均池和一個完全連接的層結束，并激活Softmax。

我們看到該體系結構有一個模式——Conv－dw／s1，后跟Conv／s1，依此類推。這里dw是深度層和步幅數，然后是Conv層和步幅數。這兩條線是MobileNet區塊。

“Filter Shape”列給出了核大小和要使用的濾波器數量的詳細信息。列的最后一個數字表示濾波器的數量。我們看到濾波器數量從32逐漸增加到64，從64逐漸增加到128，從128逐漸增加到256，以此類推。

最后一列顯示了隨著我們深入網絡，圖像的大小是如何變化的。輸入大小選擇為224＊224像素，有3個通道，輸出層分類為1000類。

正常CNN架構塊之間的差異（左），與MobileNet架構（右）：

構建網絡時需要記住的幾件事：

所有層之后都是批量標準化和ReLU非線性。

與具有Conv2D層的普通CNN模型不同，MobileNet具有Depthwise  Conv層，如圖所示。

工作流

從TensorFlow庫導入所有必要的層

為MobileNet塊編寫輔助函數

構建模型的主干

使用helper函數構建模型的主要部分

導入圖層

import tensorflow as tf

＃ 導入所有必要的層

from tensorflow．keras．layers import Input， DepthwiseConv2D

from tensorflow．keras．layers import Conv2D， BatchNormalization

from tensorflow．keras．layers import ReLU， AvgPool2D， Flatten， Dense

from tensorflow．keras import Model

Keras已經內置了一個DepthwiseConv層，所以我們不需要從頭開始創建它。

MobileNet塊

MobileNet塊的表示

要為MobileNet塊創建函數，我們需要以下步驟：

函數的輸入：

a．張量（x）

b．卷積層的濾波器數量（濾波器）

c．卷積層的步長（步長）

運行：

a．應用3x3分步卷積層，然后是批量標準化層和ReLU激活

b．應用帶有1x1卷積層的濾波器，然后是批量標準化層和ReLU激活

返回張量（輸出）

這3個步驟在下面的代碼塊中實現。

＃ MobileNet block

def mobilnet＿block （x， filters， strides）：

x ＝ DepthwiseConv2D（kernel＿size ＝ 3， strides ＝ strides， padding ＝ ＇same＇）（x）

x ＝ BatchNormalization（）（x）

x ＝ ReLU（）（x）

x ＝ Conv2D（filters ＝ filters， kernel＿size ＝ 1， strides ＝ 1）（x）

x ＝ BatchNormalization（）（x）

x ＝ ReLU（）（x）

return x

構建模型的主干

如圖2所示，第一層為Conv／s2，濾波器形狀為3x32。

模型的主干

＃ 模型的主干

input ＝ Input（shape ＝ （224，224，3））

x ＝ Conv2D（filters ＝ 32， kernel＿size ＝ 3， strides ＝ 2， padding ＝ ＇same＇）（input）

x ＝ BatchNormalization（）（x）

x ＝ ReLU（）（x）

模型的主要部分：

＃ 模型的主要部分

x ＝ mobilnet＿block（x， filters ＝ 64， strides ＝ 1）

x ＝ mobilnet＿block（x， filters ＝ 128， strides ＝ 2）

x ＝ mobilnet＿block（x， filters ＝ 128， strides ＝ 1）

x ＝ mobilnet＿block（x， filters ＝ 256， strides ＝ 2）

x ＝ mobilnet＿block（x， filters ＝ 256， strides ＝ 1）

x ＝ mobilnet＿block（x， filters ＝ 512， strides ＝ 2）

for ＿ in range （5）：

x ＝ mobilnet＿block（x， filters ＝ 512， strides ＝ 1）

x ＝ mobilnet＿block（x， filters ＝ 1024， strides ＝ 2）

x ＝ mobilnet＿block（x， filters ＝ 1024， strides ＝ 1）

x ＝ AvgPool2D （pool＿size ＝ 7， strides ＝ 1， data＿format＝＇channels＿first＇）（x）

output ＝ Dense （units ＝ 1000， activation ＝ ＇softmax＇）（x）

model ＝ Model（inputs＝input， outputs＝output）

model．summary（）

模型摘要的一個片段