＃ 繪制模型

tf．keras．utils．plot＿model（model， to＿file＝＇model．png＇， show＿shapes＝True， show＿dtype＝False，show＿layer＿names＝True， rankdir＝＇TB＇， expand＿nested＝False， dpi＝96）

模型圖的一個(gè)片段：

使用TensorFlow的MobileNet模型實(shí)現(xiàn)：

import tensorflow as tf

＃ 導(dǎo)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

＃ 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

＃ 模型主干

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

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（）

＃ 繪制模型

tf．keras．utils．plot＿model（model， to＿file＝＇model．png＇， show＿shapes＝True， show＿dtype＝False，show＿layer＿names＝True， rankdir＝＇TB＇， expand＿nested＝False， dpi＝96）

結(jié)論

MobileNet是最小的深度神經(jīng)網(wǎng)絡(luò)之一，它速度快、效率高，可以在沒(méi)有高端GPU的設(shè)備上運(yùn)行。

當(dāng)使用Keras（在TensorFlow上）這樣的框架時(shí)，這些網(wǎng)絡(luò)的實(shí)現(xiàn)非常簡(jiǎn)單。