首先声明,这里的权值共享指的不是CNN原理中的共享权值,而是如何在构建类似于Siamese Network这样的多分支网络,且分支结构相同时,如何使用keras使分支的权重共享。
Functional API
为达到上述的目的,建议使用keras中的Functional API,当然Sequential 类型的模型也可以使用,本篇博客将主要以Functional API为例讲述。
keras的多分支权值共享功能实现,官方文档介绍
上面是官方的链接,本篇博客也是基于上述官方文档,实现的此功能。(插一句,keras虽然有中文文档,但中文文档已停更,且中文文档某些函数介绍不全,建议直接看英文官方文档)
不共享参数的模型
以MatchNet网络结构为例子,为方便显示,将卷积模块个数减为2个。首先是展示不共享参数的模型,以便观看完整的网络结构。
整体的网络结构如下所示:
代码包含两部分,第一部分定义了两个函数,FeatureNetwork()生成特征提取网络,ClassiFilerNet()生成决策网络或称度量网络。网络结构的可视化在博客末尾。在ClassiFilerNet()函数中,可以看到调用了两次FeatureNetwork()函数,keras.models.Model也被使用的两次,因此生成的input1和input2是两个完全独立的模型分支,参数是不共享的。
from keras.models import Sequential from keras.layers import merge, Conv2D, MaxPool2D, Activation, Dense, concatenate, Flatten from keras.layers import Input from keras.models import Model from keras.utils import np_utils import tensorflow as tf import keras from keras.datasets import mnist import numpy as np from keras.utils import np_utils from keras.callbacks import EarlyStopping, ModelCheckpoint, TensorBoard, ReduceLROnPlateau from keras.utils.vis_utils import plot_model # ---------------------函数功能区------------------------- def FeatureNetwork(): """生成特征提取网络""" """这是根据,MNIST数据调整的网络结构,下面注释掉的部分是,原始的Matchnet网络中feature network结构""" inp = Input(shape = (28, 28, 1), name='FeatureNet_ImageInput') models = Conv2D(filters=24, kernel_size=(3, 3), strides=1, padding='same')(inp) models = Activation('relu')(models) models = MaxPool2D(pool_size=(3, 3))(models) models = Conv2D(filters=64, kernel_size=(3, 3), strides=1, padding='same')(models) # models = MaxPool2D(pool_size=(3, 3), strides=(2, 2))(models) models = Activation('relu')(models) models = Conv2D(filters=96, kernel_size=(3, 3), strides=1, padding='valid')(models) models = Activation('relu')(models) models = Conv2D(filters=96, kernel_size=(3, 3), strides=1, padding='valid')(models) models = Activation('relu')(models) models = Flatten()(models) models = Dense(512)(models) models = Activation('relu')(models) model = Model(inputs=inp, outputs=models) return model def ClassiFilerNet(): # add classifier Net """生成度量网络和决策网络,其实maychnet是两个网络结构,一个是特征提取层(孪生),一个度量层+匹配层(统称为决策层)""" input1 = FeatureNetwork() # 孪生网络中的一个特征提取 input2 = FeatureNetwork() # 孪生网络中的另一个特征提取 for layer in input2.layers: # 这个for循环一定要加,否则网络重名会出错。 layer.name = layer.name + str("_2") inp1 = input1.input inp2 = input2.input merge_layers = concatenate([input1.output, input2.output]) # 进行融合,使用的是默认的sum,即简单的相加 fc1 = Dense(1024, activation='relu')(merge_layers) fc2 = Dense(1024, activation='relu')(fc1) fc3 = Dense(2, activation='softmax')(fc2) class_models = Model(inputs=[inp1, inp2], outputs=[fc3]) return class_models # ---------------------主调区------------------------- matchnet = ClassiFilerNet() matchnet.summary() # 打印网络结构 plot_model(matchnet, to_file='G:/csdn攻略/picture/model.png') # 网络结构输出成png图片
共享参数的模型
FeatureNetwork()的功能和上面的功能相同,为方便选择,在ClassiFilerNet()函数中加入了判断是否使用共享参数模型功能,令reuse=True,便使用的是共享参数的模型。
关键地方就在,只使用的一次Model,也就是说只创建了一次模型,虽然输入了两个输入,但其实使用的是同一个模型,因此权重共享的。
from keras.models import Sequential from keras.layers import merge, Conv2D, MaxPool2D, Activation, Dense, concatenate, Flatten from keras.layers import Input from keras.models import Model from keras.utils import np_utils import tensorflow as tf import keras from keras.datasets import mnist import numpy as np from keras.utils import np_utils from keras.callbacks import EarlyStopping, ModelCheckpoint, TensorBoard, ReduceLROnPlateau from keras.utils.vis_utils import plot_model # ----------------函数功能区----------------------- def FeatureNetwork(): """生成特征提取网络""" """这是根据,MNIST数据调整的网络结构,下面注释掉的部分是,原始的Matchnet网络中feature network结构""" inp = Input(shape = (28, 28, 1), name='FeatureNet_ImageInput') models = Conv2D(filters=24, kernel_size=(3, 3), strides=1, padding='same')(inp) models = Activation('relu')(models) models = MaxPool2D(pool_size=(3, 3))(models) models = Conv2D(filters=64, kernel_size=(3, 3), strides=1, padding='same')(models) # models = MaxPool2D(pool_size=(3, 3), strides=(2, 2))(models) models = Activation('relu')(models) models = Conv2D(filters=96, kernel_size=(3, 3), strides=1, padding='valid')(models) models = Activation('relu')(models) models = Conv2D(filters=96, kernel_size=(3, 3), strides=1, padding='valid')(models) models = Activation('relu')(models) # models = Conv2D(64, kernel_size=(3, 3), strides=2, padding='valid')(models) # models = Activation('relu')(models) # models = MaxPool2D(pool_size=(3, 3), strides=(2, 2))(models) models = Flatten()(models) models = Dense(512)(models) models = Activation('relu')(models) model = Model(inputs=inp, outputs=models) return model def ClassiFilerNet(reuse=False): # add classifier Net """生成度量网络和决策网络,其实maychnet是两个网络结构,一个是特征提取层(孪生),一个度量层+匹配层(统称为决策层)""" if reuse: inp = Input(shape=(28, 28, 1), name='FeatureNet_ImageInput') models = Conv2D(filters=24, kernel_size=(3, 3), strides=1, padding='same')(inp) models = Activation('relu')(models) models = MaxPool2D(pool_size=(3, 3))(models) models = Conv2D(filters=64, kernel_size=(3, 3), strides=1, padding='same')(models) # models = MaxPool2D(pool_size=(3, 3), strides=(2, 2))(models) models = Activation('relu')(models) models = Conv2D(filters=96, kernel_size=(3, 3), strides=1, padding='valid')(models) models = Activation('relu')(models) models = Conv2D(filters=96, kernel_size=(3, 3), strides=1, padding='valid')(models) models = Activation('relu')(models) # models = Conv2D(64, kernel_size=(3, 3), strides=2, padding='valid')(models) # models = Activation('relu')(models) # models = MaxPool2D(pool_size=(3, 3), strides=(2, 2))(models) models = Flatten()(models) models = Dense(512)(models) models = Activation('relu')(models) model = Model(inputs=inp, outputs=models) inp1 = Input(shape=(28, 28, 1)) # 创建输入 inp2 = Input(shape=(28, 28, 1)) # 创建输入2 model_1 = model(inp1) # 孪生网络中的一个特征提取分支 model_2 = model(inp2) # 孪生网络中的另一个特征提取分支 merge_layers = concatenate([model_1, model_2]) # 进行融合,使用的是默认的sum,即简单的相加 else: input1 = FeatureNetwork() # 孪生网络中的一个特征提取 input2 = FeatureNetwork() # 孪生网络中的另一个特征提取 for layer in input2.layers: # 这个for循环一定要加,否则网络重名会出错。 layer.name = layer.name + str("_2") inp1 = input1.input inp2 = input2.input merge_layers = concatenate([input1.output, input2.output]) # 进行融合,使用的是默认的sum,即简单的相加 fc1 = Dense(1024, activation='relu')(merge_layers) fc2 = Dense(1024, activation='relu')(fc1) fc3 = Dense(2, activation='softmax')(fc2) class_models = Model(inputs=[inp1, inp2], outputs=[fc3]) return class_models
如何看是否真的是权值共享呢?直接对比特征提取部分的网络参数个数!
不共享参数模型的参数数量:
共享参数模型的参数总量
共享参数模型中的特征提取部分的参数量为:
由于截图限制,不共享参数模型的特征提取网络参数数量不再展示。其实经过计算,特征提取网络部分的参数数量,不共享参数模型是共享参数的两倍。两个网络总参数量的差值就是,共享模型中,特征提取部分的参数的量
网络结构可视化
不共享权重的网络结构
共享参数的网络结构,其中model_1代表的就是特征提取部分。
以上这篇使用keras实现孪生网络中的权值共享教程就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。
免责声明:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!
RTX 5090要首发 性能要翻倍!三星展示GDDR7显存
三星在GTC上展示了专为下一代游戏GPU设计的GDDR7内存。
首次推出的GDDR7内存模块密度为16GB,每个模块容量为2GB。其速度预设为32 Gbps(PAM3),但也可以降至28 Gbps,以提高产量和初始阶段的整体性能和成本效益。
据三星表示,GDDR7内存的能效将提高20%,同时工作电压仅为1.1V,低于标准的1.2V。通过采用更新的封装材料和优化的电路设计,使得在高速运行时的发热量降低,GDDR7的热阻比GDDR6降低了70%。
更新日志
- 群星《前途海量 电影原声专辑》[FLAC/分轨][227.78MB]
- 张信哲.1992-知道新曲与精丫巨石】【WAV+CUE】
- 王翠玲.1995-ANGEL【新艺宝】【WAV+CUE】
- 景冈山.1996-我的眼里只有你【大地唱片】【WAV+CUE】
- 群星《八戒 电影原声带》[320K/MP3][188.97MB]
- 群星《我的阿勒泰 影视原声带》[320K/MP3][139.47MB]
- 纪钧瀚《胎教古典音乐 钢琴与大提琴的沉浸时光》[320K/MP3][148.91MB]
- 刘雅丽.2001-丽花皇后·EMI精选王【EMI百代】【FLAC分轨】
- 齐秦.1994-黄金十年1981-1990CHINA.TOUR.LIVE精丫上华】【WAV+CUE】
- 群星.2008-本色·百代音乐人创作专辑【EMI百代】【WAV+CUE】
- 群星.2001-同步过冬AVCD【环球】【WAV+CUE】
- 群星.2020-同步过冬2020冀待晴空【环球】【WAV+CUE】
- 沈雁.1986-四季(2012梦田复刻版)【白云唱片】【WAV+CUE】
- 纪钧瀚《胎教古典音乐 钢琴与大提琴的沉浸时光》[FLAC/分轨][257.88MB]
- 《国语老歌 怀旧篇 3CD》[WAV/分轨][1.6GB]