Нейрондық желілердің негізгі түсінігі

x = MaxPooling2D((3, 3), strides=(2, 2), padding='same')(x) 

residual 

= 

Conv2D(32, 

1), 

2), 

use_bias=False)(x) 

residual = BatchNormalization()(residual) 

x  =  SeparableConv2D(32,  (3,  3),  padding='same',  kernel_regularizer  = 

regularization, use_bias = False)(x) 

x = BatchNormalization()(x) 

x = Activation('relu')(x) 

x  =  SeparableConv2D(32,  (3,  3),  padding='same',  kernel_regularizer  = 

regularization, use_bias = False)(x) 

x = BatchNormalization()(x) 

x = MaxPooling2D((3, 3), strides=(2, 2), padding='same')(x) 

x = layers.add([x, residual]) 

residual 

= 

Conv2D(64, 

1), 

2),padding='same', 

use_bias=False)(x) 

residual = BatchNormalization()(residual) 

x  =  SeparableConv2D(64,  (3,  3),  padding  =  'same',  kernel_regularizer  = 

regularization,use_bias = False)(x) 

x = BatchNormalization()(x) 

x = Activation('relu')(x) 

x  =  SeparableConv2D(64,  (3,  3),  padding='same',  kernel_regularizer  = 

regularization,use_bias = False)(x) 

x = BatchNormalization()(x) 

x = MaxPooling2D((3, 3), strides=(2, 2), padding='same')(x) 

x = layers.add([x, residual]) 

residual  =  Conv2D(128,  (1,  1),  strides=(2,  2),  padding='same',  use_bias  = 

False)(x) 

residual = BatchNormalization()(residual) 

x  =  SeparableConv2D(128,  (3,  3),  padding='same',  kernel_regularizer  = 

regularization, use_bias = False)(x) 

x = BatchNormalization()(x) 

x = Activation('relu')(x) 

x  =  SeparableConv2D(128,  (3,  3),  padding='same',  kernel_regularizer  = 

regularization, use_bias = False)(x) 

x = BatchNormalization()(x) 

x = MaxPooling2D((3, 3), strides=(2, 2), padding='same')(x) 

x = layers.add([x, residual]) 

x = Conv2D(num_classes, (3, 3), padding='same')(x)  

x = GlobalAveragePooling2D()(x) 

output = Activation('softmax',name='predictions')(x) 

model = Model(img_input, output) 

44

 

жүктеу/скачать 1,08 Mb.

Достарыңызбен бөлісу: