Github|如何用TensorFlow实现DenseNet和DenseNet-BC（附源代码）

全球人工智能

---

文章来源：GitHub   翻译：张妮娜

用TensorFlow实现DenseNet

有两种类型的密集连接式卷积神经网络（DenseNets）可用：

• DenseNet - 无瓶颈层
  

• DenseNet-BC - 有瓶颈层

每个模型可以在以下数据集上测试：

• Cifar10

• Cifar10 +（数据增强）

• Cifar100

• Cifar100 +（数据增强）

• SVHN

可通过壳或源代码内部来改变多个层、块、增长率、图像归一化和其他训练参数。

运行示例：

列出所有可用选项：

还有其他一些可以实现方法——也可能是很有用的方法。

引用：

测试运行

对于模型验证，我初步采用不同的图像归一化方法进行各种测试运行。起初在做归一化时，我们将整个图像的参数除以256，这比通道归一化会好一些。 但过后，每个通道的归一化是固定的，执行状态看似近乎相同，或者比归一化分割更好。

近似GeForce GTX TITAN X GM200（12 GB内存）模型的训练时间：

• DenseNet(k = 12, d = 40) - 17 hrs

• DenseNet-BC(k= 12, d = 100) - 1 day 18 hrs

与原始实现方法的不同之处

现有模型应当使用与原始代码相同的超参数。如果您发现出一些错误，请提出问题。

相关信息

• 模型使用Python 3.4.3+，以及带有或不带有CUDA的Python 3.5.2进行测试。

• 模型应当按预期的TensorFlow> = 0.10运行。包括最近对Tensorflow 1.0的支持。

需求文件支持Repo ，故最简单的安装方法就是运行pip install -r requirements.txt。

GitHub资源（可点击原文链接跳转）：https://github.com/ikhlestov/vision_networks

热门文章推荐