【TensorFlow2.0】如何搭建网络模型？

大家好，这是专栏《TensorFlow2.0》的第四篇文章，讲述网络模型的搭建。

我们知道在不考虑输入层的情况下，一个典型的卷积神经网络通常由若干个卷积层、激活层、池化层及全连接层组成，无论是最经典的LeNet5，还是前两天刚出现的MobileNet V3，无一不都包含这些层。今天就带大家学习下如何使用TensorFlow2.0搭建卷积神经网络模型。

作者&编辑 | 汤兴旺

上一期，我们讲解了如何使用TensorFlow2.0从自己的磁盘读取数据，今天我们就来看看如何使用层来搭建网络。

1 使用Keras API构建网络模型架构

在Keras API中，定义网络是比较简单的，我们主要用到的就是Sequential类，下面看看如何具体使用它来定义网络：

from tensorflow.keras import Sequential

conv_net = Sequential([

layers.Dense(32,activation = "relu",input_shape = (784,)),

layers.Dense(10,activation = "softmax")])

我们可以把Sequential理解为一个容器，然后把layers搭建的每层模型都送进这个容器中，构成整个网络模型。值得注意的layers搭建的每层模型要想放进这个容器中必须是list结构。

另外我们需要搭建的卷积层，全连接层，池化层等都在layers这个类中。下面我们看一个包含卷积层，全连接层，池化层比较完整的结构,如下：

from tensorflow.keras import Sequential

conv_layers = [ #units1 layers.Conv2D(64, kernel_size=[3,3],padding="same",activation = tf.nn.relu), layers.Conv2D(64, kernel_size=[3,3],padding="same",activation = tf.nn.relu), layers.MaxPool2D(pool_size=[2,2],strides=2,padding="same"), #units2 layers.Conv2D(128, kernel_size=[3,3],padding="same",activation = tf.nn.relu), layers.Conv2D(128, kernel_size=[3,3],padding="same",activation = tf.nn.relu), layers.MaxPool2D(pool_size=[2,2],strides=2,padding="same"), #units3 layers.Conv2D(256, kernel_size=[3,3],padding="same",activation = tf.nn.relu), layers.Conv2D(256, kernel_size=[3,3],padding="same",activation = tf.nn.relu), layers.Conv2D(256, kernel_size=[3,3],padding="same",activation = tf.nn.relu), layers.MaxPool2D(pool_size=[2,2],strides=2,padding="same"), #units4 layers.Conv2D(512, kernel_size=[3,3],padding="same",activation = tf.nn.relu), layers.Conv2D(512, kernel_size=[3,3],padding="same",activation = tf.nn.relu), layers.Conv2D(512, kernel_size=[3,3],padding="same",activation = tf.nn.relu), layers.MaxPool2D(pool_size=[2,2],strides=2,padding="same"), #units5 layers.Conv2D(512, kernel_size=[3,3],padding="same",activation = tf.nn.relu), layers.Conv2D(512, kernel_size=[3,3],padding="same",activation = tf.nn.relu), layers.Conv2D(512, kernel_size=[3,3],padding="same",activation = tf.nn.relu), layers.MaxPool2D(pool_size=[2,2],strides=2,padding="same")]

conv_net =Sequential(conv_layers)

fc_net = Sequential([ layers.Dense(4096,activation=tf.nn.relu), layers.Dense(4096, activation=tf.nn.relu), layers.Dense(1000, activation=None), ])

上面的模型中我们首先通过layers.Conv2D()、layers.MaxPool2D()构建模型的卷积网络层conv_layers，注意看我是把这个层放在了一个list中的，然后我把这个list即conv_layers放进了Sequential这个容器构建成了卷积网络conv_net。

卷积层完成构建后，我们通过layers.Dense添加全连接层，这样一个完整的结构就完成了。

基本的模型完成了搭建后，我们看前向处理是怎么做的，即数据如何从卷积层一步步传到最后的全连接层，最后输出一个预测值。

out = conv_net(x)

out = tf.reshape(out, [-1, 512])

logits = fc_net(out)

上面我们假设输入x是[1，32，32，3]，即1张3通道大小为32*32的图片，经过卷积层后的输出为out，现在我们看看out是多少，查看方法如下：

x = tf.random.normal([1,32,32,3]) out = conv_net(x) print(out.shape)

我们通过上面的代码很容易得到out.shape = [1,1,1,512]

为了能将卷积后的结果与全连接层相连，我们需要将它展平，即out = tf.reshape(out, [-1, 512])，最后我们将打平后的结果传递到全连接层网络fc_net得到预测值。

上面我们通过Sequential类完成了一个完整的模型搭建，你掌握了吗?

2 定义自己的网络层架构

上面我们通过Sequential类完成了一个简单的线性模型的搭建，下面我们看如何搭建自己的一个模型（非线性模型）。这里我们以ResNet系列网络为例。

import tensorflow as tf from tensorflow import keras from tensorflow.keras import layers,Sequential class BasicBlock(layers.Layer): def __init__(self,filter_num,stride=1): super(BasicBlock,self).__init__() self.conv1=layers.Conv2D(

filter_num,(3,3),strides=stride,padding="same") self.bn1 = layers.BatchNormalization() self.relu = layers.Activation("relu") self.conv2 = layers.Conv2D(filter_num, (3, 3), strides=1, padding="same") self.bn2 = layers.BatchNormalization() if stride !=1: self.downsample = Sequential() self.downsample.add(layers.Conv2D(filter_num,(1,1),strides=stride)) else: self.downsample =lambda x:x

def call(self,inputs,training=None): out = self.conv1(inputs) out = self.bn1(out) out =self.relu(out) out = self.conv2(out) out = self.bn2(out) identity = self.downsample(inputs) output = layers.add([out,identity]) output = tf.nn.relu(output) return output class ResNet(keras.Model): def __init__(self,layer_dims,num_classe=100): super(ResNet,self).__init__() #预处理层 self.stem = Sequential([layers.Conv2D(64,(3,3),strides=(1,1)), layers.BatchNormalization(), layers.Activation("relu"), layers.MaxPool2D(pool_size=(2,2),strides=(1,1),padding="same")]) self.layer1 = self.build_resblock(64,layer_dims[0]) self.layer2 = self.build_resblock(128, layer_dims[1],stride=2) self.layer3 = self.build_resblock(256, layer_dims[2], stride=2) self.layer4 = self.build_resblock(512, layer_dims[3], stride=2) self.avgpool = layers.GlobalAveragePooling2D() self.fc = layers.Dense(num_classe) def call(self, inputs, training=None): x = self.stem(inputs) x = self.layer1(x) x = self.layer2(x) x = self.layer3(x) x = self.layer4(x) x = self.avgpool(x) x = self.fc(x) return x def build_resblock(self,filter_num,blocks,stride=1): #filter_num是卷积核的数量，blocks是basic_block的数量 res_blocks=Sequential() res_blocks.add(BasicBlock(filter_num,stride)) for _ in range(1,blocks): res_blocks.add(BasicBlock(filter_num,stride=1)) return res_blocks def resnet18(): return ResNet([2,2,2,2])

def resnet34(): return ResNet([3,4,6,3])

我们知道在ResNet中有一个基本的单元叫做basicBlock

多个basicBlock的叠加就组成了resblock，而ResNet系列网络就是由多个不同resBlock组成的。

上面的代码中我们定义了一个基本的类basicBlock，它必须继承layers.Layer或者keras.Model这个类，也就是说所有的网络自定义都会继承这个类中的一个，并实现super方法，如下：

super(BasicBlock,self).__init__()

basicBlock基本结构完成后，我们需要实现前向运算，即call函数，如下：

def call(self,inputs,training=None): out = self.conv1(inputs) out = self.bn1(out) out =self.relu(out) out = self.conv2(out) out = self.bn2(out) identity = self.downsample(inputs) output = layers.add([out,identity]) output = tf.nn.relu(output) return output

从上面的代码可以看出call函数是比较简单的，串接各个网络层就可以了，这里不再详细说明。这样我们resnet的基本结构basicBlock就完成了构建。后面的resBlock实际上就是BasicBlock的叠加，实现的方法是一样的，就是定义个基本的类，并继承layers.Layer或者keras.Model这个类，再实现super方法。最后通过call函数完成前向运算。

总结

本期我们详细介绍了如何使用TensorFlow2.0完成网络模型的搭建。