custom-network-with-resnet-densenet-inception-blocks-c32fc595085d.md

带有 Resnet、Densenet、Inception 模块的自定义网络

原文：https://pub.towardsai.net/custom-network-with-resnet-densenet-inception-blocks-c32fc595085d?source=collection_archive---------1-----------------------

使用 Monk，低代码深度学习工具和计算机视觉的统一包装器，使计算机视觉变得简单。

有没有想过尝试用 Resnet、Densenet、Inception 等不同的块来搭建一个网络？

我假设你已经熟悉计算机视觉的基础知识。在深入研究之前，确保你知道什么是 Resnet，什么是 Densenet，什么是 Inception。

我们开始吧

目录

1. 安装
2. 加载数据
3. 创建并调试网络
4. 列车

安装

安装 Monk，一个低代码深度学习工具，也是计算机视觉的统一包装器。

$git clone [https://github.com/Tessellate-Imaging/monk_v1.git](https://github.com/Tessellate-Imaging/monk_v1.git)#Select the requirements file as per OS and CUDA version$cd monk_v1/installation/Linux && pip install -r requirements_cu9.txt

加载数据

这里我们使用的是斯坦福狗分类数据集。

$! wget --load-cookies /tmp/cookies.txt "https://docs.google.com/uc?export=download&confirm=$(wget --save-cookies /tmp/cookies.txt --keep-session-cookies --no-check-certificate 'https://docs.google.com/uc?export=download&id=1b4tC_Pl1O80of7U-PJ7VExmszzSX3ZEM' -O- | sed -rn 's/.*confirm=([0-9A-Za-z_]+).*/**\1\n**/p')&id=1b4tC_Pl1O80of7U-PJ7VExmszzSX3ZEM" -O dogs-species-dataset.zip && rm -rf /tmp/cookies.txt

创建并调试网络

这里我们创建一个网络，并追加 resnet_v1_block 和 resnet_v2_block。

调试定制模型

$ gtf.debug_custom_model_design(network);

从下往上看

接下来，我们将追加 resnet _ v1 _ 瓶颈 _ 块和 resnet _ v2 _ 瓶颈 _ 块

调试定制模型

$ gtf.debug_custom_model_design(network);

从下往上看

这里我们将追加 densenet_block，inception_a_block 和 inception_c_block。

调试定制模型

$ gtf.debug_custom_model_design(network);

从下往上看

我们展平，添加一个完全连接的层，然后是一个完全连接的层，其中神经元(单元)的数量=自定义数据集中的类的数量。

调试定制模型

$ gtf.debug_custom_model_design(network);

从下往上看

用 Netron 可视化

列车

设置时期、优化器、损耗和学习率调度程序。

你可以在 Github%20Create%20a%20custom%20network%20with%20blocks%20while%20debugging%20it-Copy1.ipynb) 上找到完整的 jupyter 笔记本。

如有疑问，可联系阿布舍克和阿卡什。请随意联系他们。

我对计算机视觉和深度学习充满热情。我是 Monk 库的开源贡献者。

你也可以在以下网址看到我的其他作品:

[## 阿库拉·赫曼思·库马尔培养基

阅读阿库拉·赫曼思·库马尔在媒介上的作品。计算机视觉爱好者。每天，阿库拉·赫曼思·库马尔和…

medium.com](https://medium.com/@akulahemanth)

照片由赫克托隼在 Unsplash 上拍摄