Source－MachineThink．Netv2总共包含3个卷积层，其中第一个是扩展层，第二个是深度层，第三个是投影层。扩展层：此层接收输入数据并将低维数据扩展为高维，以便保留重要信息并将其输出提供给深度层。扩展因子是一个超参数，可根据试验次数进行调整。深度层：该层从扩展层接收输入，并执行深度和点向卷积，将特征图提供给投影层。投影层：该层负责缩小数据的尺寸，以便仅有限数量的数据在网络中进一步传递，此时输入尺寸与输出尺寸匹配，这也称为“瓶颈”层”。

Source－MachineThink．Net残差连接是基于ResNet的网络的新增功能，有助于控制通过网络的渐变流，使用时输入数据的维数与输出数据的维数相同。

3． ReLu6

该网络中的每个层都带有ReLu6，而不是带有批量标准化的ReLu。ReLu6将值的范围限制在0到6之间，这是一个线性激活函数。通过限制小数点左边的3位信息，还有助于将精度保持在小数点右边。研究人员表示，最后一层（即投影层）的输出不具有激活功能，因为其输出是低维数据。根据研究人员的说法，在最后一层中添加任何非线性函数都可能导致有用信息的丢失。4． 实施现在，我们对图像分割和使用的mobilenetv2有了一个大概的了解，接下来让我们来看一下如何去实现。先决条件：该代码使用TensorFlow版本1．x，因此你需要拥有版本1．x才能正常工作，如果你使用的是2．x，则执行时会出错，因此建议你仅使用Google Collab来执行。在GitHub上的笔记本中逐行解释快速介绍代码的所有重要方面和完整实现。

为了演示，我们将使用以下尺寸为（596 x 900）的图片

步骤1：下载经过预先训练的模型。由于模型是经过预训练的，因此只需下载并将我们的图像传递给它，它会返回分割后的图像。MODEL＿NAME ＝ ＇mobilenetv2＿coco＿voctrainaug＇ ＃＠参数［ ＇mobilenetv2＿coco＿voctrainaug＇， ＇mobilenetv2＿coco＿voctrainval＇， ＇xception＿coco＿voctrainaug＇， ＇xception＿coco＿voctrainval＇］ ＿DOWNLOAD＿URL＿PREFIX ＝ ＇ http：／／download．tensorflow．org／models／＇
＿MODEL＿URLS ＝ ｛
   ＇mobilenetv2＿coco＿voctrainaug＇：
       ＇deeplabv3＿mnv2＿pascal＿train＿aug＿2018＿01＿29．tar．gz＇，
   ＇mobilenetv2＿coco＿voctrainval＇：
       ＇deeplabv3＿mnv2＿pascal＿trainval＿2018＿01＿29．tar．gz＇，
   ＇xception＿coco＿voctrainaug＇：
       ＇deeplabv3＿pascal＿train＿aug＿2018＿01＿04．tar．gz＇，
   ＇xception＿coco＿voctrainval＇：
       ＇deeplabv3＿pascal＿trainval＿2018＿01＿04．tar．gz＇，
｝
＿TARBALL＿NAME ＝＇deeplab＿model．tar．gz＇model＿dir ＝ tempfile．mkdtemp（）
tf．gfile．MakeDirs（model＿dir）下载路径＝ os．path．join（model＿dir，＿TARBALL＿NAME）
打印（“正在下载模型，这可能需要一段时间．．．”）
urllib．request．urlretrieve（＿DOWNLOAD＿URL＿PREFIX ＋ ＿MODEL＿URLS ［MODEL＿NAME］，
                  download＿path）
打印（＇下载完成！正在加载DeepLab模型．．．＇）MODEL ＝ DeepLabModel（download＿path）
打印（＇模型加载成功！＇）