当前位置： 首页 > 编程日记 > 正文

还在纠结垃圾分类问题？带你用Python感受ImageNet冠军模型SENet的强大

编程日记 2024-12-30 16:00:00

640?wx_fmt=jpeg


作者 | beyondma

转载自CSDN博客


本月1日起，上海正式开始了“史上最严“垃圾分类的规定，扔错垃圾最高可罚200元。全国其它46个城市也要陆续步入垃圾分类新时代。各种被垃圾分类逼疯的段子在社交媒体上层出不穷。


其实从人工智能的角度看垃圾分类就是图像处理中图像分类任务的一种应用，而这在2012年以来的ImageNet图像分类任务的评比中，SENet模型以top-5测试集回归2.25%错误率的成绩可谓是技压群雄，堪称目前最强的图像分类器。

              640?wx_fmt=png


笔者刚刚还到SENet的创造者momenta公司的网站上看了一下，他们最新的方向已经是3D物体识别和标定了，效果如下：

       640?wx_fmt=png


可以说他们提出的SENet进行垃圾图像处理是完全没问题的。


Senet简介


Senet的是由momenta和牛津大学共同提出的一种基于挤压(squeeze）和激励（Excitation）的模型，每个模块通过“挤压”操作嵌入来自全局感受野的信息，并且通过“激励”操作选择性地诱导响应增强。我们可以看到历年的ImageNet冠军基本都是在使用加大模型数量和连接数量的方式来提高精度，而Senet在这种”大力出奇迹”的潮流下明显是一股清流。其论文地址如下：http://openaccess.thecvf.com/content_cvpr_2018/papers/Hu_Squeeze-and-Excitation_Networks_CVPR_2018_paper.pdf


其具体原理说明如下：


640?wx_fmt=jpeg


Sequeeze：对 C×H×W 进行 global average pooling，得到 1×1×C 大小的特征图，这个特征图可以理解为具有全局感受野。翻译论文原文来说：将每个二维的特征通道变成一个实数，这个实数某种程度上具有全局的感受野，并且输出的维度和输入的特征通道数相匹配。它表征着在特征通道上响应的全局分布，而且使得靠近输入的层也可以获得全局的感受野。


Excitation ：使用一个全连接神经网络，对 Sequeeze 之后的结果做一个非线性变换。它的机制一个类似于循环神经网络中的门。通过参数 w 来为每个特征通道生成权重，其中参数 w 被学习用来显式地建模特征通道间的相关性。


特征重标定：使用 Excitation 得到的结果作为权重，乘到输入特征上。将Excitation输出的权重可以认为是特征通道的重要性反应，逐通道加权到放到先前的特征上，完成对原始特征的重标定。


其模型架构如下：


640?wx_fmt=jpeg


SENet 构造非常简单，而且很容易被部署，不需要引入新的函数或者层。其caffe模型可以通过百度下载（https://pan.baidu.com/s/1o7HdfAE?errno=0&errmsg=Auth%20Login%20Sucess&&bduss=&ssnerror=0&traceid=）


Senet的运用


如果读者布署有caffe那么直接下载刚刚的模型直接load进来就可以使用了。如果没有装caffe而装了tensorflow也没关系，我们刚刚说了SENet没有引入新的函数和层，很方便用tensorflow实现。


下载图像集：经笔者各方查找发现了这个数据集，虽然不大也没有发挥出SENet的优势，不过也方便使用：

https://raw.githubusercontent.com/garythung/trashnet/master/data/dataset-resized.zip


建立SENet模型：使用tensorflow建立的模型在github上也有开源项目了，网址如下：https://github.com/taki0112/SENet-Tensorflow，只是他使用的是Cifar10数据集，不过这也没关系，只需要在gitclone以下将其cifar10.py中的prepare_data函数做如下修改即可。


 1def prepare_data(): 2    print("======Loading data======") 3    download_data() 4    data_dir = 'e:/test/' 5    #data_dir = './cifar-10-batches-py'#改为你的文件侠 6    image_dim = image_size * image_size * img_channels 7    #meta = unpickle(data_dir + '/batches.meta')#本数据集不使用meta文件分类，故需要修改 8    label_names = ['cardboard','glass','metal','trash','paper','plastic'] 9    label_count = len(label_names)10    #train_files = ['data_batch_%d' % d for d in range(1, 6)]11    train_files = [data_dir+s for s in label_names]#改为12    train_data, train_labels = load_data(train_files, data_dir, label_count)13    test_data, test_labels = load_data(['test_batch'], data_dir, label_count)1415    print("Train data:", np.shape(train_data), np.shape(train_labels))16    print("Test data :", np.shape(test_data), np.shape(test_labels))17    print("======Load finished======")1819    print("======Shuffling data======")20    indices = np.random.permutation(len(train_data))21    train_data = train_data[indices]22    train_labels = train_labels[indices]23    print("======Prepare Finished======")2425    return train_data, train_labels, test_data, test_labels
 2    print("======Loading data======")
 3    download_data()
 4    data_dir = 'e:/test/'
 5    #data_dir = './cifar-10-batches-py'#改为你的文件侠
 6    image_dim = image_size * image_size * img_channels
 7    #meta = unpickle(data_dir + '/batches.meta')#本数据集不使用meta文件分类，故需要修改
 8    label_names = ['cardboard','glass','metal','trash','paper','plastic']
 9    label_count = len(label_names)
10    #train_files = ['data_batch_%d' % d for d in range(1, 6)]
11    train_files = [data_dir+s for s in label_names]#改为
12    train_data, train_labels = load_data(train_files, data_dir, label_count)
13    test_data, test_labels = load_data(['test_batch'], data_dir, label_count)
14
15    print("Train data:", np.shape(train_data), np.shape(train_labels))
16    print("Test data :", np.shape(test_data), np.shape(test_labels))
17    print("======Load finished======")
18
19    print("======Shuffling data======")
20    indices = np.random.permutation(len(train_data))
21    train_data = train_data[indices]
22    train_labels = train_labels[indices]
23    print("======Prepare Finished======")
24
25    return train_data, train_labels, test_data, test_labels
   
其最主要的建模代码如下，其主要工作就是将SENet的模型结构实现一下即可：

  1import tensorflow as tf  2from tflearn.layers.conv import global_avg_pool  3from tensorflow.contrib.layers import batch_norm, flatten  4from tensorflow.contrib.framework import arg_scope  5from cifar10 import *  6import numpy as np  7  8weight_decay = 0.0005  9momentum = 0.9 10 11init_learning_rate = 0.1 12 13reduction_ratio = 4 14 15batch_size = 128 16iteration = 391 17# 128 * 391 ~ 50,000 18 19test_iteration = 10 20 21total_epochs = 100 22 23def conv_layer(input, filter, kernel, stride=1, padding='SAME', layer_name="conv", activation=True): 24    with tf.name_scope(layer_name): 25        network = tf.layers.conv2d(inputs=input, use_bias=True, filters=filter, kernel_size=kernel, strides=stride, padding=padding) 26        if activation : 27            network = Relu(network) 28        return network 29 30def Fully_connected(x, units=class_num, layer_name='fully_connected') : 31    with tf.name_scope(layer_name) : 32        return tf.layers.dense(inputs=x, use_bias=True, units=units) 33 34def Relu(x): 35    return tf.nn.relu(x) 36 37def Sigmoid(x): 38    return tf.nn.sigmoid(x) 39 40def Global_Average_Pooling(x): 41    return global_avg_pool(x, name='Global_avg_pooling') 42 43def Max_pooling(x, pool_size=[3,3], stride=2, padding='VALID') : 44    return tf.layers.max_pooling2d(inputs=x, pool_size=pool_size, strides=stride, padding=padding) 45 46def Batch_Normalization(x, training, scope): 47    with arg_scope([batch_norm], 48                   scope=scope, 49                   updates_collections=None, 50                   decay=0.9, 51                   center=True, 52                   scale=True, 53                   zero_debias_moving_mean=True) : 54        return tf.cond(training, 55                       lambda : batch_norm(inputs=x, is_training=training, reuse=None), 56                       lambda : batch_norm(inputs=x, is_training=training, reuse=True)) 57 58def Concatenation(layers) : 59    return tf.concat(layers, axis=3) 60 61def Dropout(x, rate, training) : 62    return tf.layers.dropout(inputs=x, rate=rate, training=training) 63 64def Evaluate(sess): 65    test_acc = 0.0 66    test_loss = 0.0 67    test_pre_index = 0 68    add = 1000 69 70    for it in range(test_iteration): 71        test_batch_x = test_x[test_pre_index: test_pre_index + add] 72        test_batch_y = test_y[test_pre_index: test_pre_index + add] 73        test_pre_index = test_pre_index + add 74 75        test_feed_dict = { 76            x: test_batch_x, 77            label: test_batch_y, 78            learning_rate: epoch_learning_rate, 79            training_flag: False 80        } 81 82        loss_, acc_ = sess.run([cost, accuracy], feed_dict=test_feed_dict) 83 84        test_loss += loss_ 85        test_acc += acc_ 86 87    test_loss /= test_iteration # average loss 88    test_acc /= test_iteration # average accuracy 89 90    summary = tf.Summary(value=[tf.Summary.Value(tag='test_loss', simple_value=test_loss), 91                                tf.Summary.Value(tag='test_accuracy', simple_value=test_acc)]) 92 93    return test_acc, test_loss, summary 94 95class SE_Inception_resnet_v2(): 96    def __init__(self, x, training): 97        self.training = training 98        self.model = self.Build_SEnet(x) 99100    def Stem(self, x, scope):101        with tf.name_scope(scope) :102            x = conv_layer(x, filter=32, kernel=[3,3], stride=2, padding='VALID', layer_name=scope+'_conv1')103            x = conv_layer(x, filter=32, kernel=[3,3], padding='VALID', layer_name=scope+'_conv2')104            block_1 = conv_layer(x, filter=64, kernel=[3,3], layer_name=scope+'_conv3')105106            split_max_x = Max_pooling(block_1)107            split_conv_x = conv_layer(block_1, filter=96, kernel=[3,3], stride=2, padding='VALID', layer_name=scope+'_split_conv1')108            x = Concatenation([split_max_x,split_conv_x])109110            split_conv_x1 = conv_layer(x, filter=64, kernel=[1,1], layer_name=scope+'_split_conv2')111            split_conv_x1 = conv_layer(split_conv_x1, filter=96, kernel=[3,3], padding='VALID', layer_name=scope+'_split_conv3')112113            split_conv_x2 = conv_layer(x, filter=64, kernel=[1,1], layer_name=scope+'_split_conv4')114            split_conv_x2 = conv_layer(split_conv_x2, filter=64, kernel=[7,1], layer_name=scope+'_split_conv5')115            split_conv_x2 = conv_layer(split_conv_x2, filter=64, kernel=[1,7], layer_name=scope+'_split_conv6')116            split_conv_x2 = conv_layer(split_conv_x2, filter=96, kernel=[3,3], padding='VALID', layer_name=scope+'_split_conv7')117118            x = Concatenation([split_conv_x1,split_conv_x2])119120            split_conv_x = conv_layer(x, filter=192, kernel=[3,3], stride=2, padding='VALID', layer_name=scope+'_split_conv8')121            split_max_x = Max_pooling(x)122123            x = Concatenation([split_conv_x, split_max_x])124125            x = Batch_Normalization(x, training=self.training, scope=scope+'_batch1')126            x = Relu(x)127128            return x129130    def Inception_resnet_A(self, x, scope):131        with tf.name_scope(scope) :132            init = x133134            split_conv_x1 = conv_layer(x, filter=32, kernel=[1,1], layer_name=scope+'_split_conv1')135136            split_conv_x2 = conv_layer(x, filter=32, kernel=[1,1], layer_name=scope+'_split_conv2')137            split_conv_x2 = conv_layer(split_conv_x2, filter=32, kernel=[3,3], layer_name=scope+'_split_conv3')138139            split_conv_x3 = conv_layer(x, filter=32, kernel=[1,1], layer_name=scope+'_split_conv4')140            split_conv_x3 = conv_layer(split_conv_x3, filter=48, kernel=[3,3], layer_name=scope+'_split_conv5')141            split_conv_x3 = conv_layer(split_conv_x3, filter=64, kernel=[3,3], layer_name=scope+'_split_conv6')142143            x = Concatenation([split_conv_x1,split_conv_x2,split_conv_x3])144            x = conv_layer(x, filter=384, kernel=[1,1], layer_name=scope+'_final_conv1', activation=False)145146            x = x*0.1147            x = init + x148149            x = Batch_Normalization(x, training=self.training, scope=scope+'_batch1')150            x = Relu(x)151152            return x153154    def Inception_resnet_B(self, x, scope):155        with tf.name_scope(scope) :156            init = x157158            split_conv_x1 = conv_layer(x, filter=192, kernel=[1,1], layer_name=scope+'_split_conv1')159160            split_conv_x2 = conv_layer(x, filter=128, kernel=[1,1], layer_name=scope+'_split_conv2')161            split_conv_x2 = conv_layer(split_conv_x2, filter=160, kernel=[1,7], layer_name=scope+'_split_conv3')162            split_conv_x2 = conv_layer(split_conv_x2, filter=192, kernel=[7,1], layer_name=scope+'_split_conv4')163164            x = Concatenation([split_conv_x1, split_conv_x2])165            x = conv_layer(x, filter=1152, kernel=[1,1], layer_name=scope+'_final_conv1', activation=False)166            # 1154167            x = x * 0.1168            x = init + x169170            x = Batch_Normalization(x, training=self.training, scope=scope+'_batch1')171            x = Relu(x)172173            return x174175    def Inception_resnet_C(self, x, scope):176        with tf.name_scope(scope) :177            init = x178179            split_conv_x1 = conv_layer(x, filter=192, kernel=[1,1], layer_name=scope+'_split_conv1')180181            split_conv_x2 = conv_layer(x, filter=192, kernel=[1, 1], layer_name=scope + '_split_conv2')182            split_conv_x2 = conv_layer(split_conv_x2, filter=224, kernel=[1, 3], layer_name=scope + '_split_conv3')183            split_conv_x2 = conv_layer(split_conv_x2, filter=256, kernel=[3, 1], layer_name=scope + '_split_conv4')184185            x = Concatenation([split_conv_x1,split_conv_x2])186            x = conv_layer(x, filter=2144, kernel=[1,1], layer_name=scope+'_final_conv2', activation=False)187            # 2048188            x = x * 0.1189            x = init + x190191            x = Batch_Normalization(x, training=self.training, scope=scope+'_batch1')192            x = Relu(x)193194            return x195196    def Reduction_A(self, x, scope):197        with tf.name_scope(scope) :198            k = 256199            l = 256200            m = 384201            n = 384202203            split_max_x = Max_pooling(x)204205            split_conv_x1 = conv_layer(x, filter=n, kernel=[3,3], stride=2, padding='VALID', layer_name=scope+'_split_conv1')206207            split_conv_x2 = conv_layer(x, filter=k, kernel=[1,1], layer_name=scope+'_split_conv2')208            split_conv_x2 = conv_layer(split_conv_x2, filter=l, kernel=[3,3], layer_name=scope+'_split_conv3')209            split_conv_x2 = conv_layer(split_conv_x2, filter=m, kernel=[3,3], stride=2, padding='VALID', layer_name=scope+'_split_conv4')210211            x = Concatenation([split_max_x, split_conv_x1, split_conv_x2])212213            x = Batch_Normalization(x, training=self.training, scope=scope+'_batch1')214            x = Relu(x)215216            return x217218    def Reduction_B(self, x, scope):219        with tf.name_scope(scope) :220            split_max_x = Max_pooling(x)221222            split_conv_x1 = conv_layer(x, filter=256, kernel=[1,1], layer_name=scope+'_split_conv1')223            split_conv_x1 = conv_layer(split_conv_x1, filter=384, kernel=[3,3], stride=2, padding='VALID', layer_name=scope+'_split_conv2')224225            split_conv_x2 = conv_layer(x, filter=256, kernel=[1,1], layer_name=scope+'_split_conv3')226            split_conv_x2 = conv_layer(split_conv_x2, filter=288, kernel=[3,3], stride=2, padding='VALID', layer_name=scope+'_split_conv4')227228            split_conv_x3 = conv_layer(x, filter=256, kernel=[1,1], layer_name=scope+'_split_conv5')229            split_conv_x3 = conv_layer(split_conv_x3, filter=288, kernel=[3,3], layer_name=scope+'_split_conv6')230            split_conv_x3 = conv_layer(split_conv_x3, filter=320, kernel=[3,3], stride=2, padding='VALID', layer_name=scope+'_split_conv7')231232            x = Concatenation([split_max_x, split_conv_x1, split_conv_x2, split_conv_x3])233234            x = Batch_Normalization(x, training=self.training, scope=scope+'_batch1')235            x = Relu(x)236237            return x238239    def Squeeze_excitation_layer(self, input_x, out_dim, ratio, layer_name):240        with tf.name_scope(layer_name) :241242243            squeeze = Global_Average_Pooling(input_x)244245            excitation = Fully_connected(squeeze, units=out_dim / ratio, layer_name=layer_name+'_fully_connected1')246            excitation = Relu(excitation)247            excitation = Fully_connected(excitation, units=out_dim, layer_name=layer_name+'_fully_connected2')248            excitation = Sigmoid(excitation)249250            excitation = tf.reshape(excitation, [-1,1,1,out_dim])251            scale = input_x * excitation252253            return scale254255    def Build_SEnet(self, input_x):256        input_x = tf.pad(input_x, [[0, 0], [32, 32], [32, 32], [0, 0]])257        # size 32 -> 96258        print(np.shape(input_x))259        # only cifar10 architecture260261        x = self.Stem(input_x, scope='stem')262263        for i in range(5) :264            x = self.Inception_resnet_A(x, scope='Inception_A'+str(i))265            channel = int(np.shape(x)[-1])266            x = self.Squeeze_excitation_layer(x, out_dim=channel, ratio=reduction_ratio, layer_name='SE_A'+str(i))267268        x = self.Reduction_A(x, scope='Reduction_A')269270        channel = int(np.shape(x)[-1])271        x = self.Squeeze_excitation_layer(x, out_dim=channel, ratio=reduction_ratio, layer_name='SE_A')272273        for i in range(10)  :274            x = self.Inception_resnet_B(x, scope='Inception_B'+str(i))275            channel = int(np.shape(x)[-1])276            x = self.Squeeze_excitation_layer(x, out_dim=channel, ratio=reduction_ratio, layer_name='SE_B'+str(i))277278        x = self.Reduction_B(x, scope='Reduction_B')279280        channel = int(np.shape(x)[-1])281        x = self.Squeeze_excitation_layer(x, out_dim=channel, ratio=reduction_ratio, layer_name='SE_B')282283        for i in range(5) :284            x = self.Inception_resnet_C(x, scope='Inception_C'+str(i))285            channel = int(np.shape(x)[-1])286            x = self.Squeeze_excitation_layer(x, out_dim=channel, ratio=reduction_ratio, layer_name='SE_C'+str(i))287288289        # channel = int(np.shape(x)[-1])290        # x = self.Squeeze_excitation_layer(x, out_dim=channel, ratio=reduction_ratio, layer_name='SE_C')291292        x = Global_Average_Pooling(x)293        x = Dropout(x, rate=0.2, training=self.training)294        x = flatten(x)295296        x = Fully_connected(x, layer_name='final_fully_connected')297        return x298299300train_x, train_y, test_x, test_y = prepare_data()301train_x, test_x = color_preprocessing(train_x, test_x)302303304# image_size = 32, img_channels = 3, class_num = 10 in cifar10305x = tf.placeholder(tf.float32, shape=[None, image_size, image_size, img_channels])306label = tf.placeholder(tf.float32, shape=[None, class_num])307308training_flag = tf.placeholder(tf.bool)309310311learning_rate = tf.placeholder(tf.float32, name='learning_rate')312313logits = SE_Inception_resnet_v2(x, training=training_flag).model314cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=label, logits=logits))315316l2_loss = tf.add_n([tf.nn.l2_loss(var) for var in tf.trainable_variables()])317optimizer = tf.train.MomentumOptimizer(learning_rate=learning_rate, momentum=momentum, use_nesterov=True)318train = optimizer.minimize(cost + l2_loss * weight_decay)319320correct_prediction = tf.equal(tf.argmax(logits, 1), tf.argmax(label, 1))321accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))322323saver = tf.train.Saver(tf.global_variables())324325with tf.Session() as sess:326    ckpt = tf.train.get_checkpoint_state('./model')327    if ckpt and tf.train.checkpoint_exists(ckpt.model_checkpoint_path):328        saver.restore(sess, ckpt.model_checkpoint_path)329    else:330        sess.run(tf.global_variables_initializer())331332    summary_writer = tf.summary.FileWriter('./logs', sess.graph)333334    epoch_learning_rate = init_learning_rate335    for epoch in range(1, total_epochs + 1):336        if epoch % 30 == 0 :337            epoch_learning_rate = epoch_learning_rate / 10338339        pre_index = 0340        train_acc = 0.0341        train_loss = 0.0342343        for step in range(1, iteration + 1):344            if pre_index + batch_size < 50000:345                batch_x = train_x[pre_index: pre_index + batch_size]346                batch_y = train_y[pre_index: pre_index + batch_size]347            else:348                batch_x = train_x[pre_index:]349                batch_y = train_y[pre_index:]350351            batch_x = data_augmentation(batch_x)352353            train_feed_dict = {354                x: batch_x,355                label: batch_y,356                learning_rate: epoch_learning_rate,357                training_flag: True358            }359360            _, batch_loss = sess.run([train, cost], feed_dict=train_feed_dict)361            batch_acc = accuracy.eval(feed_dict=train_feed_dict)362363            train_loss += batch_loss364            train_acc += batch_acc365            pre_index += batch_size366367368        train_loss /= iteration # average loss369        train_acc /= iteration # average accuracy370371        train_summary = tf.Summary(value=[tf.Summary.Value(tag='train_loss', simple_value=train_loss),372                                          tf.Summary.Value(tag='train_accuracy', simple_value=train_acc)])373374        test_acc, test_loss, test_summary = Evaluate(sess)375376        summary_writer.add_summary(summary=train_summary, global_step=epoch)377        summary_writer.add_summary(summary=test_summary, global_step=epoch)378        summary_writer.flush()379380        line = "epoch: %d/%d, train_loss: %.4f, train_acc: %.4f, test_loss: %.4f, test_acc: %.4f \n" % (381            epoch, total_epochs, train_loss, train_acc, test_loss, test_acc)382        print(line)383384        with open('logs.txt', 'a') as f:385            f.write(line)386387        saver.save(sess=sess, save_path='./model/Inception_resnet_v2.ckpt')import tensorflow as tf
  2from tflearn.layers.conv import global_avg_pool
  3from tensorflow.contrib.layers import batch_norm, flatten
  4from tensorflow.contrib.framework import arg_scope
  5from cifar10 import *
  6import numpy as np
  7
  8weight_decay = 0.0005
  9momentum = 0.9
 10
 11init_learning_rate = 0.1
 12
 13reduction_ratio = 4
 14
 15batch_size = 128
 16iteration = 391
 17# 128 * 391 ~ 50,000
 18
 19test_iteration = 10
 20
 21total_epochs = 100
 22
 23def conv_layer(input, filter, kernel, stride=1, padding='SAME', layer_name="conv", activation=True):
 24    with tf.name_scope(layer_name):
 25        network = tf.layers.conv2d(inputs=input, use_bias=True, filters=filter, kernel_size=kernel, strides=stride, padding=padding)
 26        if activation :
 27            network = Relu(network)
 28        return network
 29
 30def Fully_connected(x, units=class_num, layer_name='fully_connected') :
 31    with tf.name_scope(layer_name) :
 32        return tf.layers.dense(inputs=x, use_bias=True, units=units)
 33
 34def Relu(x):
 35    return tf.nn.relu(x)
 36
 37def Sigmoid(x):
 38    return tf.nn.sigmoid(x)
 39
 40def Global_Average_Pooling(x):
 41    return global_avg_pool(x, name='Global_avg_pooling')
 42
 43def Max_pooling(x, pool_size=[3,3], stride=2, padding='VALID') :
 44    return tf.layers.max_pooling2d(inputs=x, pool_size=pool_size, strides=stride, padding=padding)
 45
 46def Batch_Normalization(x, training, scope):
 47    with arg_scope([batch_norm],
 48                   scope=scope,
 49                   updates_collections=None,
 50                   decay=0.9,
 51                   center=True,
 52                   scale=True,
 53                   zero_debias_moving_mean=True) :
 54        return tf.cond(training,
 55                       lambda : batch_norm(inputs=x, is_training=training, reuse=None),
 56                       lambda : batch_norm(inputs=x, is_training=training, reuse=True))
 57
 58def Concatenation(layers) :
 59    return tf.concat(layers, axis=3)
 60
 61def Dropout(x, rate, training) :
 62    return tf.layers.dropout(inputs=x, rate=rate, training=training)
 63
 64def Evaluate(sess):
 65    test_acc = 0.0
 66    test_loss = 0.0
 67    test_pre_index = 0
 68    add = 1000
 69
 70    for it in range(test_iteration):
 71        test_batch_x = test_x[test_pre_index: test_pre_index + add]
 72        test_batch_y = test_y[test_pre_index: test_pre_index + add]
 73        test_pre_index = test_pre_index + add
 74
 75        test_feed_dict = {
 76            x: test_batch_x,
 77            label: test_batch_y,
 78            learning_rate: epoch_learning_rate,
 79            training_flag: False
 80        }
 81
 82        loss_, acc_ = sess.run([cost, accuracy], feed_dict=test_feed_dict)
 83
 84        test_loss += loss_
 85        test_acc += acc_
 86
 87    test_loss /= test_iteration # average loss
 88    test_acc /= test_iteration # average accuracy
 89
 90    summary = tf.Summary(value=[tf.Summary.Value(tag='test_loss', simple_value=test_loss),
 91                                tf.Summary.Value(tag='test_accuracy', simple_value=test_acc)])
 92
 93    return test_acc, test_loss, summary
 94
 95class SE_Inception_resnet_v2():
 96    def __init__(self, x, training):
 97        self.training = training
 98        self.model = self.Build_SEnet(x)
 99
100    def Stem(self, x, scope):
101        with tf.name_scope(scope) :
102            x = conv_layer(x, filter=32, kernel=[3,3], stride=2, padding='VALID', layer_name=scope+'_conv1')
103            x = conv_layer(x, filter=32, kernel=[3,3], padding='VALID', layer_name=scope+'_conv2')
104            block_1 = conv_layer(x, filter=64, kernel=[3,3], layer_name=scope+'_conv3')
105
106            split_max_x = Max_pooling(block_1)
107            split_conv_x = conv_layer(block_1, filter=96, kernel=[3,3], stride=2, padding='VALID', layer_name=scope+'_split_conv1')
108            x = Concatenation([split_max_x,split_conv_x])
109
110            split_conv_x1 = conv_layer(x, filter=64, kernel=[1,1], layer_name=scope+'_split_conv2')
111            split_conv_x1 = conv_layer(split_conv_x1, filter=96, kernel=[3,3], padding='VALID', layer_name=scope+'_split_conv3')
112
113            split_conv_x2 = conv_layer(x, filter=64, kernel=[1,1], layer_name=scope+'_split_conv4')
114            split_conv_x2 = conv_layer(split_conv_x2, filter=64, kernel=[7,1], layer_name=scope+'_split_conv5')
115            split_conv_x2 = conv_layer(split_conv_x2, filter=64, kernel=[1,7], layer_name=scope+'_split_conv6')
116            split_conv_x2 = conv_layer(split_conv_x2, filter=96, kernel=[3,3], padding='VALID', layer_name=scope+'_split_conv7')
117
118            x = Concatenation([split_conv_x1,split_conv_x2])
119
120            split_conv_x = conv_layer(x, filter=192, kernel=[3,3], stride=2, padding='VALID', layer_name=scope+'_split_conv8')
121            split_max_x = Max_pooling(x)
122
123            x = Concatenation([split_conv_x, split_max_x])
124
125            x = Batch_Normalization(x, training=self.training, scope=scope+'_batch1')
126            x = Relu(x)
127
128            return x
129
130    def Inception_resnet_A(self, x, scope):
131        with tf.name_scope(scope) :
132            init = x
133
134            split_conv_x1 = conv_layer(x, filter=32, kernel=[1,1], layer_name=scope+'_split_conv1')
135
136            split_conv_x2 = conv_layer(x, filter=32, kernel=[1,1], layer_name=scope+'_split_conv2')
137            split_conv_x2 = conv_layer(split_conv_x2, filter=32, kernel=[3,3], layer_name=scope+'_split_conv3')
138
139            split_conv_x3 = conv_layer(x, filter=32, kernel=[1,1], layer_name=scope+'_split_conv4')
140            split_conv_x3 = conv_layer(split_conv_x3, filter=48, kernel=[3,3], layer_name=scope+'_split_conv5')
141            split_conv_x3 = conv_layer(split_conv_x3, filter=64, kernel=[3,3], layer_name=scope+'_split_conv6')
142
143            x = Concatenation([split_conv_x1,split_conv_x2,split_conv_x3])
144            x = conv_layer(x, filter=384, kernel=[1,1], layer_name=scope+'_final_conv1', activation=False)
145
146            x = x*0.1
147            x = init + x
148
149            x = Batch_Normalization(x, training=self.training, scope=scope+'_batch1')
150            x = Relu(x)
151
152            return x
153
154    def Inception_resnet_B(self, x, scope):
155        with tf.name_scope(scope) :
156            init = x
157
158            split_conv_x1 = conv_layer(x, filter=192, kernel=[1,1], layer_name=scope+'_split_conv1')
159
160            split_conv_x2 = conv_layer(x, filter=128, kernel=[1,1], layer_name=scope+'_split_conv2')
161            split_conv_x2 = conv_layer(split_conv_x2, filter=160, kernel=[1,7], layer_name=scope+'_split_conv3')
162            split_conv_x2 = conv_layer(split_conv_x2, filter=192, kernel=[7,1], layer_name=scope+'_split_conv4')
163
164            x = Concatenation([split_conv_x1, split_conv_x2])
165            x = conv_layer(x, filter=1152, kernel=[1,1], layer_name=scope+'_final_conv1', activation=False)
166            # 1154
167            x = x * 0.1
168            x = init + x
169
170            x = Batch_Normalization(x, training=self.training, scope=scope+'_batch1')
171            x = Relu(x)
172
173            return x
174
175    def Inception_resnet_C(self, x, scope):
176        with tf.name_scope(scope) :
177            init = x
178
179            split_conv_x1 = conv_layer(x, filter=192, kernel=[1,1], layer_name=scope+'_split_conv1')
180
181            split_conv_x2 = conv_layer(x, filter=192, kernel=[1, 1], layer_name=scope + '_split_conv2')
182            split_conv_x2 = conv_layer(split_conv_x2, filter=224, kernel=[1, 3], layer_name=scope + '_split_conv3')
183            split_conv_x2 = conv_layer(split_conv_x2, filter=256, kernel=[3, 1], layer_name=scope + '_split_conv4')
184
185            x = Concatenation([split_conv_x1,split_conv_x2])
186            x = conv_layer(x, filter=2144, kernel=[1,1], layer_name=scope+'_final_conv2', activation=False)
187            # 2048
188            x = x * 0.1
189            x = init + x
190
191            x = Batch_Normalization(x, training=self.training, scope=scope+'_batch1')
192            x = Relu(x)
193
194            return x
195
196    def Reduction_A(self, x, scope):
197        with tf.name_scope(scope) :
198            k = 256
199            l = 256
200            m = 384
201            n = 384
202
203            split_max_x = Max_pooling(x)
204
205            split_conv_x1 = conv_layer(x, filter=n, kernel=[3,3], stride=2, padding='VALID', layer_name=scope+'_split_conv1')
206
207            split_conv_x2 = conv_layer(x, filter=k, kernel=[1,1], layer_name=scope+'_split_conv2')
208            split_conv_x2 = conv_layer(split_conv_x2, filter=l, kernel=[3,3], layer_name=scope+'_split_conv3')
209            split_conv_x2 = conv_layer(split_conv_x2, filter=m, kernel=[3,3], stride=2, padding='VALID', layer_name=scope+'_split_conv4')
210
211            x = Concatenation([split_max_x, split_conv_x1, split_conv_x2])
212
213            x = Batch_Normalization(x, training=self.training, scope=scope+'_batch1')
214            x = Relu(x)
215
216            return x
217
218    def Reduction_B(self, x, scope):
219        with tf.name_scope(scope) :
220            split_max_x = Max_pooling(x)
221
222            split_conv_x1 = conv_layer(x, filter=256, kernel=[1,1], layer_name=scope+'_split_conv1')
223            split_conv_x1 = conv_layer(split_conv_x1, filter=384, kernel=[3,3], stride=2, padding='VALID', layer_name=scope+'_split_conv2')
224
225            split_conv_x2 = conv_layer(x, filter=256, kernel=[1,1], layer_name=scope+'_split_conv3')
226            split_conv_x2 = conv_layer(split_conv_x2, filter=288, kernel=[3,3], stride=2, padding='VALID', layer_name=scope+'_split_conv4')
227
228            split_conv_x3 = conv_layer(x, filter=256, kernel=[1,1], layer_name=scope+'_split_conv5')
229            split_conv_x3 = conv_layer(split_conv_x3, filter=288, kernel=[3,3], layer_name=scope+'_split_conv6')
230            split_conv_x3 = conv_layer(split_conv_x3, filter=320, kernel=[3,3], stride=2, padding='VALID', layer_name=scope+'_split_conv7')
231
232            x = Concatenation([split_max_x, split_conv_x1, split_conv_x2, split_conv_x3])
233
234            x = Batch_Normalization(x, training=self.training, scope=scope+'_batch1')
235            x = Relu(x)
236
237            return x
238
239    def Squeeze_excitation_layer(self, input_x, out_dim, ratio, layer_name):
240        with tf.name_scope(layer_name) :
241
242
243            squeeze = Global_Average_Pooling(input_x)
244
245            excitation = Fully_connected(squeeze, units=out_dim / ratio, layer_name=layer_name+'_fully_connected1')
246            excitation = Relu(excitation)
247            excitation = Fully_connected(excitation, units=out_dim, layer_name=layer_name+'_fully_connected2')
248            excitation = Sigmoid(excitation)
249
250            excitation = tf.reshape(excitation, [-1,1,1,out_dim])
251            scale = input_x * excitation
252
253            return scale
254
255    def Build_SEnet(self, input_x):
256        input_x = tf.pad(input_x, [[0, 0], [32, 32], [32, 32], [0, 0]])
257        # size 32 -> 96
258        print(np.shape(input_x))
259        # only cifar10 architecture
260
261        x = self.Stem(input_x, scope='stem')
262
263        for i in range(5) :
264            x = self.Inception_resnet_A(x, scope='Inception_A'+str(i))
265            channel = int(np.shape(x)[-1])
266            x = self.Squeeze_excitation_layer(x, out_dim=channel, ratio=reduction_ratio, layer_name='SE_A'+str(i))
267
268        x = self.Reduction_A(x, scope='Reduction_A')
269
270        channel = int(np.shape(x)[-1])
271        x = self.Squeeze_excitation_layer(x, out_dim=channel, ratio=reduction_ratio, layer_name='SE_A')
272
273        for i in range(10)  :
274            x = self.Inception_resnet_B(x, scope='Inception_B'+str(i))
275            channel = int(np.shape(x)[-1])
276            x = self.Squeeze_excitation_layer(x, out_dim=channel, ratio=reduction_ratio, layer_name='SE_B'+str(i))
277
278        x = self.Reduction_B(x, scope='Reduction_B')
279
280        channel = int(np.shape(x)[-1])
281        x = self.Squeeze_excitation_layer(x, out_dim=channel, ratio=reduction_ratio, layer_name='SE_B')
282
283        for i in range(5) :
284            x = self.Inception_resnet_C(x, scope='Inception_C'+str(i))
285            channel = int(np.shape(x)[-1])
286            x = self.Squeeze_excitation_layer(x, out_dim=channel, ratio=reduction_ratio, layer_name='SE_C'+str(i))
287
288
289        # channel = int(np.shape(x)[-1])
290        # x = self.Squeeze_excitation_layer(x, out_dim=channel, ratio=reduction_ratio, layer_name='SE_C')
291
292        x = Global_Average_Pooling(x)
293        x = Dropout(x, rate=0.2, training=self.training)
294        x = flatten(x)
295
296        x = Fully_connected(x, layer_name='final_fully_connected')
297        return x
298
299
300train_x, train_y, test_x, test_y = prepare_data()
301train_x, test_x = color_preprocessing(train_x, test_x)
302
303
304# image_size = 32, img_channels = 3, class_num = 10 in cifar10
305x = tf.placeholder(tf.float32, shape=[None, image_size, image_size, img_channels])
306label = tf.placeholder(tf.float32, shape=[None, class_num])
307
308training_flag = tf.placeholder(tf.bool)
309
310
311learning_rate = tf.placeholder(tf.float32, name='learning_rate')
312
313logits = SE_Inception_resnet_v2(x, training=training_flag).model
314cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=label, logits=logits))
315
316l2_loss = tf.add_n([tf.nn.l2_loss(var) for var in tf.trainable_variables()])
317optimizer = tf.train.MomentumOptimizer(learning_rate=learning_rate, momentum=momentum, use_nesterov=True)
318train = optimizer.minimize(cost + l2_loss * weight_decay)
319
320correct_prediction = tf.equal(tf.argmax(logits, 1), tf.argmax(label, 1))
321accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
322
323saver = tf.train.Saver(tf.global_variables())
324
325with tf.Session() as sess:
326    ckpt = tf.train.get_checkpoint_state('./model')
327    if ckpt and tf.train.checkpoint_exists(ckpt.model_checkpoint_path):
328        saver.restore(sess, ckpt.model_checkpoint_path)
329    else:
330        sess.run(tf.global_variables_initializer())
331
332    summary_writer = tf.summary.FileWriter('./logs', sess.graph)
333
334    epoch_learning_rate = init_learning_rate
335    for epoch in range(1, total_epochs + 1):
336        if epoch % 30 == 0 :
337            epoch_learning_rate = epoch_learning_rate / 10
338
339        pre_index = 0
340        train_acc = 0.0
341        train_loss = 0.0
342
343        for step in range(1, iteration + 1):
344            if pre_index + batch_size < 50000:
345                batch_x = train_x[pre_index: pre_index + batch_size]
346                batch_y = train_y[pre_index: pre_index + batch_size]
347            else:
348                batch_x = train_x[pre_index:]
349                batch_y = train_y[pre_index:]
350
351            batch_x = data_augmentation(batch_x)
352
353            train_feed_dict = {
354                x: batch_x,
355                label: batch_y,
356                learning_rate: epoch_learning_rate,
357                training_flag: True
358            }
359
360            _, batch_loss = sess.run([train, cost], feed_dict=train_feed_dict)
361            batch_acc = accuracy.eval(feed_dict=train_feed_dict)
362
363            train_loss += batch_loss
364            train_acc += batch_acc
365            pre_index += batch_size
366
367
368        train_loss /= iteration # average loss
369        train_acc /= iteration # average accuracy
370
371        train_summary = tf.Summary(value=[tf.Summary.Value(tag='train_loss', simple_value=train_loss),
372                                          tf.Summary.Value(tag='train_accuracy', simple_value=train_acc)])
373
374        test_acc, test_loss, test_summary = Evaluate(sess)
375
376        summary_writer.add_summary(summary=train_summary, global_step=epoch)
377        summary_writer.add_summary(summary=test_summary, global_step=epoch)
378        summary_writer.flush()
379
380        line = "epoch: %d/%d, train_loss: %.4f, train_acc: %.4f, test_loss: %.4f, test_acc: %.4f \n" % (
381            epoch, total_epochs, train_loss, train_acc, test_loss, test_acc)
382        print(line)
383
384        with open('logs.txt', 'a') as f:
385            f.write(line)
386
387        saver.save(sess=sess, save_path='./model/Inception_resnet_v2.ckpt')

其实使用SENet做垃圾分类真是大才小用了，不过大家也可以感受一下他的实力强大。

原文链接：
https://blog.csdn.net/BEYONDMA/article/details/94888771

（*本文为 AI科技大本营转载文章，转载请联系原作者）

◆
精彩推荐
◆

“只讲技术，拒绝空谈！”2019 AI开发者大会将于9月6日-7日在北京举行，这一届AI开发者大会有哪些亮点？一线公司的大牛们都在关注什么？AI行业的风向是什么？2019 AI开发者大会，倾听大牛分享，聚焦技术实践，和万千开发者共成长。

目前，大会盲订票限量发售中~扫码购票，领先一步！
    640?wx_fmt=png
推荐阅读
  • 大战三回合：XGBoost、LightGBM和Catboost一决高低 | 程序员硬核算法评测
  • Hinton等人最新研究：大幅提升模型准确率，标签平滑技术到底怎么用?
  • 智能文本信息抽取算法的进阶
  • 入门必备 | 一文读懂神经架构搜索
  • 印度人才出口：一半美国科技企业CEO是印度裔 | 数据分析中印青年
  • 为什么说“大公司的技术顽疾根本挽救不了”
  • 25 年 IT 老兵零基础写小说，作品堪比《三体》| 人物志
  • 中小企业搭建混合云，服务器如何选？
  • 从0到1 | 文本挖掘的传统与深度学习算法
  • 一览微软在机器阅读理解、推荐系统、人机对话等最新研究进展 | ACL 2019
  • 1.2w星！火爆GitHub的Python学习100天刷爆朋友圈！
640?wx_fmt=png你点的每个“在看”，我都认真当成了喜欢

 https://www.dkcj.cn/info/34112.html
 
相关文章：
软件开发流程包含哪些内容
2019独角兽企业重金招聘Python工程师标准>>> 能否开发出一个好的软件&#xff0c;关键是看软件开发前期所做的工作&#xff0c;重点是这个软件有没有一个好的 软件开发流程&#xff0c;因为一个好的软件开发流程关系到到这个软件的成败和最后能达到一个什么的效果&a…
编程日记2024/12/30 15:50:00
在对话框中应用CScrollView显示图像
1、用vs2008创建一个基于对话框的工程DialogView&#xff1b; 2、添加一个新类CMyDocument&#xff0c;基类为CDocument&#xff1b; 3、添加一个新类CMyView&#xff0c;基类为CScrollView&#xff1b; 4、修改CMyDocument的头文件&#xff1a; #pragma once // CMyDocument …
编程日记2024/12/30 15:40:00
如何用纯 CSS 创作一个同心圆弧旋转 loader 特效
效果预览 在线演示 按下右侧的“点击预览”按钮在当前页面预览&#xff0c;点击链接全屏预览。 https://codepen.io/zhang-ou/pen/OZmXQX 可交互视频教程 此视频是可以交互的&#xff0c;你可以随时暂停视频&#xff0c;编辑视频中的代码。 请用 chrome, safari, edge 打开观看…
编程日记2024/12/30 15:30:00
Java长见到的面试题，看你能答出几题，就知道自己有多菜了
作者&#xff1a;Java3y前言只有光头才能变强Redis目前还在看&#xff0c;今天来分享一下我在秋招看过(遇到)的一些面试题(相对比较常见的)0、final关键字简要说一下final关键字&#xff0c;final可以用来修饰什么&#xff1f;这题我是在真实的面试中遇到的&#xff0c;当时答得…
编程日记2024/12/30 15:20:00
数据结构实验之链表一：顺序建立链表
题目描述 输入N个整数&#xff0c;按照输入的顺序建立单链表存储&#xff0c;并遍历所建立的单链表&#xff0c;输出这些数据。输入 第一行输入整数的个数N&#xff1b;第二行依次输入每个整数。输出 输出这组整数。示例输入 8 12 56 4 6 55 15 33 62 示例输出 12 56 4 6 55 15…
编程日记2024/12/30 15:10:00
深度学习在人脸检测中的应用 | CSDN 博文精选
作者 | 梁志成、刘鹏、陈方杰责编 | 唐小引转载自CSDN&#xff08;ID:csdnnews&#xff09;在目标检测领域&#xff0c;可以划分为人脸检测与通用目标检测&#xff0c;往往人脸这方面会有专门的算法&#xff08;包括人脸检测、人脸识别、人脸其他属性的识别等&#xff09;&…
编程日记2024/12/30 15:00:00
vs2008中，在OCX控件中应用doc/view基本步骤
1、利用向导创建一个MFC ActiveX Control控件CMyOCX&#xff1b; 2、在工程中加入ActivDoc头文件和执行文件&#xff1b; class CActiveXDocTemplate : public CSingleDocTemplate { enum { IDR_NOTUSED 0x7FFF }; CWnd* m_pParentWnd; CFrameWnd* m_pFrameWnd; C…
编程日记2024/12/30 14:50:00
常见存储过程分页PK赛——简单测试分析常见存储过程分页速度
数据的分页是我们再熟悉不过的功能了&#xff0c;各种各样的分页方式层出不穷。今天我把一些常见的存储过程分页列出来&#xff0c;再简单地测一下性能&#xff0c;算是对知识的总结&#xff0c;也是对您好想法的抛钻引玉。废话不多说&#xff0c;开始吧~~ 1.首先建立一张测试表…
编程日记2024/12/30 14:40:00
YOLOv3模型剪枝，瘦身80%，提速100%，精度基本不变
作者 | CV君转载自我爱计算机视觉&#xff08;ID: aicvml&#xff09;如果要在实际应用中部署目标检测&#xff0c;你会想到哪项算法&#xff1f;在52CV目标检测交流群里&#xff0c;被提及最多的&#xff0c;恐怕就是YOLOv3了。虽然新出的一些算法号称“完胜”“吊打”某某某算…
编程日记2024/12/30 14:30:00
Ubuntu开发用新机安装流程
1.SSH安装 Ubuntu缺省已安装客户端&#xff0c;此处安装服务端 sudo apt-get install openssh-server 确认sshserver是否启动 netstat -tlp | grep ssh 或 ps -e | grep ssh 未启动&#xff0c;选择启动 sudo /etc/init.d/ssh start 2.问题解决&#xff1a;ACPI Error:Method p…
编程日记2024/12/30 14:20:00
人工智能六十年技术简史
出品 | AI科技大本营&#xff08;ID:rgznai100&#xff09;作者&#xff1a;李理&#xff0c;环信人工智能研发中心vp&#xff0c;十多年自然语言处理和人工智能研发经验。主持研发过多款智能硬件的问答和对话系统&#xff0c;负责环信中文语义分析开放平台和环信智能机器人的设…
编程日记2024/12/30 14:10:00
【Android游戏开发二十五】在Android上的使用《贝赛尔曲线》！
首先对于《赛贝尔曲线》不是很了解的童鞋&#xff0c;请自觉白度百科、google等等... 为了方便偷懒的童鞋&#xff0c;这里给个《贝赛尔曲线》百科地址&#xff0c;以及一段话简述《贝赛尔曲线》&#xff1a; 《贝赛尔曲线》白度百科快速地址&#xff1a;http://baike.baidu.co…
编程日记2024/12/30 14:00:00
Spring Boot 工程集成全局唯一ID生成器 Vesta
2019独角兽企业重金招聘Python工程师标准>>> 本文内容脑图如下&#xff1a; 文章共 760字&#xff0c;阅读大约需要 2分钟 &#xff01; 概 述 在前一篇文章 《Spring Boot工程集成全局唯一ID生成器 UidGenerator》 中给大家推荐了一款由百度开发的基于 Snowflake算…
编程日记2024/12/30 13:50:00
vs2008中，创建基于对话框的mfc动态库步骤
1、利用MFC Dll向导初始生成一个mfc dll(默认设置)&#xff1b; 2、添加一个对话框资源&#xff1b; 3、向工程中添加一个.h、.cpp文件&#xff0c;作为外部的接口&#xff1b; 4、.h头文件的格式仿照于基于控制台的dll的头文件格式&#xff1b; 5、.h头文件中包括资源文件头文…
编程日记2024/12/30 13:40:00
poj3468 A Simple Problem with Integers
http://acm.hust.edu.cn:8080/judge/problem/viewProblem.action?id14607 题意&#xff1a;题目给你n个数,m个操作&#xff0c;接下来一行给你这n个数&#xff0c;接下的几行给出m个操作&#xff0c;Q a b 表示查询区间[a,b]里的数和和。U a b c 表示把区间[a,b]里的数都加上c…
编程日记2024/12/30 13:30:00
【Luogu】P1613 跑路
【Luogu】P1613 跑路 一、题目 题目描述 小A的工作不仅繁琐&#xff0c;更有苛刻的规定&#xff0c;要求小A每天早上在6&#xff1a;00之前到达公司&#xff0c;否则这个月工资清零。可是小A偏偏又有赖床的坏毛病。于是为了保住自己的工资&#xff0c;小A买了一个十分牛B的空间…
编程日记2024/12/30 13:20:00
matlab图形用户界面设计简介
1、File->New->GUI->Create New GUI->Blank GUI->OK即可打开图形用户界面开发环境。 在里面可以拖放需要的控件&#xff0c;包括pushbutton、slider、radiobutton、togglebutton、checkbox、listbox、popupmenu、edit text、static text、table、axes、panel、…
编程日记2024/12/30 13:10:00
旷视发布《人工智能应用准则》，倡导AI技术健康可持续发展
2019年7月8日&#xff0c;旷视宣布推出基于企业自身管理标准的《人工智能应用准则》&#xff08;以下简称《准则》&#xff09;&#xff0c;旨在从人工智能企业自身的角度&#xff0c;规范、引导人工智能技术正确运用和健康发展&#xff0c;并确保其安全可控可靠&#xff0c;促…
编程日记2024/12/30 13:00:00
Java知识积累——String引用的判断问题
看如下程序 1 public static void main(String[] args) {2 String a new String("abc");3 String b new String("abc");4 System.out.println(a b); 5 6 String c "abc";7 String d "abc";8 …
编程日记2024/12/30 12:50:00
windows7下vs2008常见错误解决方法汇总
1、fatal error LNK1000:Internal error during IncrBuildImage 解决方法&#xff1a;选中对应工程-->点击右键,选择Properties-->Configuration Properties-->Linker-->General-->选中Enable Incremental Linking&#xff1a;改为No(/INCREMENTAL:NO),原始选项…
编程日记2024/12/30 12:40:00
5G对AIoT的作用并无夸大，最大价值在于融合
采访嘉宾 | 崔宝秋、高恩重整理 | 夕颜出品 | AI科技大本营&#xff08;ID:rgznai100&#xff09;近年来&#xff0c;AIoT 的概念非常火爆&#xff0c;有不少企业将 AIoT 提升到公司的战略发展高度&#xff0c;然而实际上&#xff0c;走进普通人日常生活并真正实用的 AIoT 产品…
编程日记2024/12/30 12:30:00
[USACO07JAN]平衡的阵容Balanced Lineup BZOJ 1699
题目背景 题目描述&#xff1a; 每天,农夫 John 的N(1 < N < 50,000)头牛总是按同一序列排队. 有一天, John 决定让一些牛们玩一场飞盘比赛. 他准备找一群在对列中为置连续的牛来进行比赛. 但是为了避免水平悬殊,牛的身高不应该相差太大. John 准备了Q (1 < Q < 18…
编程日记2024/12/30 12:20:00
深度学习目标检测法进化史，看这一篇就够了
作者 | 黄浴&#xff0c;奇点汽车美研中心首席科学家兼总裁来源 | 转载自知乎专栏自动驾驶的挑战和发展本文将介绍自动驾驶中的深度学习目标检测的基本概念和方法&#xff0c;并对几个主要 Anchor free 方法进行了比较&#xff0c;希望对读者有所帮助&#xff0c;以下为正文&am…
编程日记2024/12/30 12:10:00
Bridge Pattern
2019独角兽企业重金招聘Python工程师标准>>> http://www.cnblogs.com/hegezhou_hot/archive/2010/12/10/1902185.html 桥接模式的主要目的是将一个对象的变化因素抽象出来&#xff0c;不是通过类继承的方式来满足这个因素的变化&#xff0c;而是通过对象组合的方式来…
编程日记2024/12/30 12:00:00
matlab神经网络工具箱函数汇总
转自&#xff1a;http://hi.baidu.com/lingyin55/blog/item/7a968ead11fe180c4b36d61e.html 1. 网络创建函数 newp 创建感知器网络 newlind 设计一线性层 newlin 创建一线性层 newff 创建一前馈BP网络 newcf 创建一多层前馈BP网络 newfftd 创建一前馈输入延迟BP网…
编程日记2024/12/30 11:50:00
[每日短篇] 17 - 正确使用随机数 Random
2019独角兽企业重金招聘Python工程师标准>>> 随机数在系统开发中几乎是不可避免的一个需求&#xff0c;在大多数面试宝典一定会告诉你所谓的随机数其实是“伪”随机数&#xff0c;除此之外也就没有什么别的了。实际上这条知识本身已经是非常落后了&#xff0c;更不用…
编程日记2024/12/30 11:40:00
LoadRunner的参数化功能分享
LoadRunner的参数化功能分享http://automationqa.com/forum.php?modviewthread&tid1598&fromuid2
编程日记2024/12/30 11:30:00
MFC菜单的使用
1、 创建弹出菜单&#xff1a; (1)、利用向导&#xff0c;创建一个基于单文档的应用程序&#xff1b; (2)、在资源视图中选中”menu”&#xff0c;鼠标右键插入一新菜单IDR_POPMENU&#xff1b; (3)、在IDR_POPMENU菜单中添加”弹出菜单”选项&#xff0c;在”弹出菜单”下…
编程日记2024/12/30 11:20:00
超阿里、大华，澎思科技行人再识别（ReID）技术刷新三大数据集记录
整理 | Jane出品 | AI科技大本营&#xff08;ID&#xff1a;rgznai100&#xff09;【导读】不久前&#xff0c;江苏省某市公安通过 AI 技术分析监控摄像头中的信息&#xff0c;抓获了一个偷盗电动车的嫌疑人员。监控摄像头在现场拍到的是嫌疑人背对摄像头的情况&#xff0c;未有…
编程日记2024/12/30 11:10:00
[转] vuewebpack多页面配置
前言 最近由于项目需求&#xff0c;选择使用vue框架&#xff0c;webpack打包直接使用的vue-cli&#xff0c;因为需要多页面而vue-cli只有单页面&#xff0c;所以就决定修改vue-cli的配置文件来满足开发需求。 html-webpack-plugin 实现需求需要用到这个插件&#xff0c; 具体信…
编程日记2024/12/30 11:00:00