在此之前，我已经讨论了MobileNet的体系结构

接下来，我们将看到如何使用TensorFlow从头开始实现这个架构。

实现：

MobileNet架构：

图显示了我们将在代码中实现的MobileNet体系结构。网络从Conv、BatchNorm、ReLU块开始，并从其上跟随多个MobileNet块。它最终以一个平均池和一个完全连接的层结束，并激活Softmax。

我们看到该体系结构有一个模式——Conv－dw／s1，后跟Conv／s1，依此类推。这里dw是深度层和步幅数，然后是Conv层和步幅数。这两条线是MobileNet区块。

“Filter Shape”列给出了核大小和要使用的滤波器数量的详细信息。列的最后一个数字表示滤波器的数量。我们看到滤波器数量从32逐渐增加到64，从64逐渐增加到128，从128逐渐增加到256，以此类推。

最后一列显示了随着我们深入网络，图像的大小是如何变化的。输入大小选择为224＊224像素，有3个通道，输出层分类为1000类。

正常CNN架构块之间的差异（左），与MobileNet架构（右）：

构建网络时需要记住的几件事：

所有层之后都是批量标准化和ReLU非线性。

与具有Conv2D层的普通CNN模型不同，MobileNet具有Depthwise  Conv层，如图所示。

工作流

从TensorFlow库导入所有必要的层

为MobileNet块编写辅助函数

构建模型的主干

使用helper函数构建模型的主要部分

导入图层

import tensorflow as tf

＃ 导入所有必要的层

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

Keras已经内置了一个DepthwiseConv层，所以我们不需要从头开始创建它。

MobileNet块

MobileNet块的表示

要为MobileNet块创建函数，我们需要以下步骤：

函数的输入：

a．张量（x）

b．卷积层的滤波器数量（滤波器）

c．卷积层的步长（步长）

运行：

a．应用3x3分步卷积层，然后是批量标准化层和ReLU激活

b．应用带有1x1卷积层的滤波器，然后是批量标准化层和ReLU激活

返回张量（输出）

这3个步骤在下面的代码块中实现。

＃ 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

构建模型的主干

如图2所示，第一层为Conv／s2，滤波器形状为3x32。

模型的主干

＃ 模型的主干

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：

＃ 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（）

模型摘要的一个片段