A結(jié)構(gòu)
B代碼
A結(jié)構(gòu)：
結(jié)構(gòu)為8段暴构。（不包含LRN與池化層）
conv1_1+conv1_2+pool1 ----->conv2_1+conv2_2+pool2----->conv3_1+conv3_2+conv3_3+pool3----->conv4_1+conv4_2+conv4_3+pool4------>conv5_1+conv5_2+conv5_3+pool5---->3個全連接（fc6&dropout---->fc7&dropout---->fc8）
其中輸入結(jié)構(gòu)【32，224饲宿，224，3】其中32為batchsize，224x224是圖像大小，深度為3
conv1_1輸出的結(jié)構(gòu)【32幕庐，224，224家淤，64】
pool1輸出的結(jié)構(gòu)【32异剥，112，112絮重，64】
也就是說 第一段統(tǒng)稱co4nv1輸出的結(jié)構(gòu)是【32冤寿，112错妖，112，64】
conv2輸出的結(jié)構(gòu)【32疚沐，56暂氯，56，128】
conv3輸出的結(jié)構(gòu)【32亮蛔，28痴施，28，256】
conv4輸出的結(jié)構(gòu)【32究流，14辣吃，14，512】
conv5輸出的結(jié)構(gòu)【32芬探，7勇垛，7辈毯，512】一共25088個向量
fc6 4096
fc7 4096
fc8 1000
從上面結(jié)構(gòu)也可以看出，前四層每一段卷積都將邊長縮小一半，輸出通道翻倍舆绎。
上述中
卷積結(jié)構(gòu)【3享郊，3骄蝇，狼忱，64】，步長結(jié)構(gòu)【1别智，1宗苍，1，1】
卷積結(jié)構(gòu)【3薄榛，3讳窟，，64】敞恋，步長結(jié)構(gòu)【1丽啡，1，1耳舅，1】
池化結(jié)構(gòu)【1碌上，2倚评，2浦徊，1】，步長結(jié)構(gòu)【1天梧，2盔性，2，1】
卷積結(jié)構(gòu)【3呢岗，3冕香，蛹尝，128】，步長結(jié)構(gòu)【1悉尾，1突那，1，1】
卷積結(jié)構(gòu)【3构眯，3愕难，，128】惫霸，步長結(jié)構(gòu)【1猫缭，1，1壹店，1】
池化結(jié)構(gòu)【1猜丹，2，2硅卢，1】射窒，步長結(jié)構(gòu)【1，2将塑，2轮洋，1】
卷積結(jié)構(gòu)【3，3抬旺，弊予，256】，步長結(jié)構(gòu)【1开财，1汉柒，1，1】
卷積結(jié)構(gòu)【3责鳍，3碾褂，，256】历葛，步長結(jié)構(gòu)【1正塌，1，1恤溶，1】
卷積結(jié)構(gòu)【3乓诽，3，_咒程，256】鸠天，步長結(jié)構(gòu)【1，1帐姻，1稠集，1】
池化結(jié)構(gòu)【1奶段，2，2剥纷，1】痹籍，步長結(jié)構(gòu)【1，2晦鞋，2词裤，1】
卷積結(jié)構(gòu)【3，3鳖宾，吼砂，512】，步長結(jié)構(gòu)【1鼎文，1渔肩，1，1】
卷積結(jié)構(gòu)【3拇惋，3周偎，，512】撑帖，步長結(jié)構(gòu)【1蓉坎，1，1胡嘿，1】
卷積結(jié)構(gòu)【3蛉艾，3，_衷敌，512】勿侯，步長結(jié)構(gòu)【1，1缴罗，1助琐，1】
池化結(jié)構(gòu)【1，2面氓，2兵钮，1】，步長結(jié)構(gòu)【1舌界，2掘譬，2，1】
卷積結(jié)構(gòu)【3禀横，3屁药，粥血，512】柏锄，步長結(jié)構(gòu)【1酿箭，1，1趾娃，1】
卷積結(jié)構(gòu)【3缭嫡，3，抬闷，512】妇蛀，步長結(jié)構(gòu)【1，1笤成，1评架，1】
卷積結(jié)構(gòu)【3，3炕泳，_纵诞，512】，步長結(jié)構(gòu)【1培遵，1浙芙，1，1】
池化結(jié)構(gòu)【1籽腕，2嗡呼，2，1】皇耗，步長結(jié)構(gòu)【1南窗，2，2郎楼，1】
全鏈接3層節(jié)點分別4096矾瘾，4096，1000箭启。到這里壕翩，是不是可以根據(jù)所有信息自己實現(xiàn)代碼了呢～
B代碼：
測試結(jié)果：
書 GPU：每10步0.15分鐘
我CPU：每10步26分鐘
from datetime import datetime
import math
import time
import tensorflow as tf
#用來創(chuàng)建卷積層并把參數(shù)存入?yún)?shù)列表
#輸入的tensor
#這一層的名字
#kh是卷積核的高
#kw是卷積核的寬
#n_out是卷積核的數(shù)量，輸出通道數(shù)
#dh是步長的高
#dw是步長的寬
#p是參數(shù)列表
def conv_op(input_op, name,kh,kw,n_out,dh,dw,p):
n_in = input_op.get_shape()[-1].value
with tf.name_scope(name) as scope:
kernel = tf.get_variable(scope+"w",
shape= [kh,kw,n_in,n_out],dtype=tf.float32,
initializer=tf.contrib.layers.xavier_initializer_conv2d())
conv = tf.nn.conv2d(input_op,kernel,(1,dh,dw,1),padding='SAME')
bias_init_val = tf.constant(0.0,shape=[n_out],dtype=tf.float32)
biases = tf.Variable(bias_init_val,trainable=True,name='b')
z = tf.nn.bias_add(conv,biases)
activation = tf.nn.relu(z,name=scope)
p += [kernel,biases]
return activation
def fc_op(input_op, name,n_out,p):
n_in = input_op.get_shape()[-1].value
with tf.name_scope(name) as scope:
kernel = tf.get_variable(scope+"w",
shape=[n_in,n_out],dtype=tf.float32,initializer=tf.contrib.layers.xavier_initializer())
biases = tf.Variable(tf.constant(0.1,shape=[n_out],dtype=tf.float32),name='b')
activation= tf.nn.relu_layer(input_op,kernel,biases,name= scope)
p+=[kernel,biases]
return activation
def mpool_op(input_op,name, kh,kw,dh,dw):
return tf.nn.max_pool(input_op,ksize=[1,kh,kw,1],strides=[1,dh,dw,1],padding='SAME',name=name)
def inference_op(input_op, keep_prob):
p = []
# assume input_op shape is 224x224x3
# block 1 -- outputs 112x112x64
conv1_1 = conv_op(input_op, name="conv1_1", kh=3, kw=3, n_out=64, dh=1, dw=1, p=p)
conv1_2 = conv_op(conv1_1, name="conv1_2", kh=3, kw=3, n_out=64, dh=1, dw=1, p=p)
pool1 = mpool_op(conv1_2, name="pool1", kh=2, kw=2, dw=2, dh=2)
# block 2 -- outputs 56x56x128
conv2_1 = conv_op(pool1, name="conv2_1", kh=3, kw=3, n_out=128, dh=1, dw=1, p=p)
conv2_2 = conv_op(conv2_1, name="conv2_2", kh=3, kw=3, n_out=128, dh=1, dw=1, p=p)
pool2 = mpool_op(conv2_2, name="pool2", kh=2, kw=2, dh=2, dw=2)
# # block 3 -- outputs 28x28x256
conv3_1 = conv_op(pool2, name="conv3_1", kh=3, kw=3, n_out=256, dh=1, dw=1, p=p)
conv3_2 = conv_op(conv3_1, name="conv3_2", kh=3, kw=3, n_out=256, dh=1, dw=1, p=p)
conv3_3 = conv_op(conv3_2, name="conv3_3", kh=3, kw=3, n_out=256, dh=1, dw=1, p=p)
pool3 = mpool_op(conv3_3, name="pool3", kh=2, kw=2, dh=2, dw=2)
# block 4 -- outputs 14x14x512
conv4_1 = conv_op(pool3, name="conv4_1", kh=3, kw=3, n_out=512, dh=1, dw=1, p=p)
conv4_2 = conv_op(conv4_1, name="conv4_2", kh=3, kw=3, n_out=512, dh=1, dw=1, p=p)
conv4_3 = conv_op(conv4_2, name="conv4_3", kh=3, kw=3, n_out=512, dh=1, dw=1, p=p)
pool4 = mpool_op(conv4_3, name="pool4", kh=2, kw=2, dh=2, dw=2)
# block 5 -- outputs 7x7x512
conv5_1 = conv_op(pool4, name="conv5_1", kh=3, kw=3, n_out=512, dh=1, dw=1, p=p)
conv5_2 = conv_op(conv5_1, name="conv5_2", kh=3, kw=3, n_out=512, dh=1, dw=1, p=p)
conv5_3 = conv_op(conv5_2, name="conv5_3", kh=3, kw=3, n_out=512, dh=1, dw=1, p=p)
pool5 = mpool_op(conv5_3, name="pool5", kh=2, kw=2, dw=2, dh=2)
# flatten
shp = pool5.get_shape()
flattened_shape = shp[1].value * shp[2].value * shp[3].value
resh1 = tf.reshape(pool5, [-1, flattened_shape], name="resh1")
# fully connected
fc6 = fc_op(resh1, name="fc6", n_out=4096, p=p)
fc6_drop = tf.nn.dropout(fc6, keep_prob, name="fc6_drop")
fc7 = fc_op(fc6_drop, name="fc7", n_out=4096, p=p)
fc7_drop = tf.nn.dropout(fc7, keep_prob, name="fc7_drop")
fc8 = fc_op(fc7_drop, name="fc8", n_out=1000, p=p)
softmax = tf.nn.softmax(fc8)
predictions = tf.argmax(softmax, 1)
return predictions, softmax, fc8, p
def time_tensorflow_run(session, target, feed, info_string):
num_steps_burn_in = 10
total_duration = 0.0
total_duration_squared = 0.0
for i in range(num_batches + num_steps_burn_in):
start_time = time.time()
_ = session.run(target, feed_dict=feed)
duration = time.time() - start_time
if i >= num_steps_burn_in:
if not i % 10:
print ('%s: step %d, duration = %.3f' %
(datetime.now(), i - num_steps_burn_in, duration))
total_duration += duration
total_duration_squared += duration * duration
mn = total_duration / num_batches
vr = total_duration_squared / num_batches - mn * mn
sd = math.sqrt(vr)
print ('%s: %s across %d steps, %.3f +/- %.3f sec / batch' %
(datetime.now(), info_string, num_batches, mn, sd))
def run_benchmark():
with tf.Graph().as_default():
image_size = 224
images = tf.Variable(tf.random_normal([batch_size,
image_size,
image_size, 3],
dtype=tf.float32,
stddev=1e-1))
keep_prob = tf.placeholder(tf.float32)
predictions, softmax, fc8, p = inference_op(images, keep_prob)
init = tf.global_variables_initializer()
config = tf.ConfigProto()
config.gpu_options.allocator_type = 'BFC'
sess = tf.Session(config=config)
sess.run(init)
time_tensorflow_run(sess, predictions, {keep_prob:1.0}, "Forward")
objective = tf.nn.l2_loss(fc8)
grad = tf.gradients(objective, p)
time_tensorflow_run(sess, grad, {keep_prob:0.5}, "Forward-backward")
batch_size=32
num_batches=100
run_benchmark()
