时间戳

首页 > 解决方案 > 我的 ResNet 的 Stage-1 中的 BatchNorm 层连接到所有其他 BatchNorm 层。为什么？

keras - 我的 ResNet 的 Stage-1 中的 BatchNorm 层连接到所有其他 BatchNorm 层。为什么？

问题描述

这里我给出了我实现的 ResNet 模型的一些截图。使用 TensorBoard 生成的图表。

是 tensorflow 在后端做的某种优化吗？

我已经使用 Keras 实现了代码。

模型中有两个块。身份块和卷积块。添加这些块的代码会导致 StackOverflow 出现问题（您的帖子主要是代码）

在 ResNet 函数 (def ResNet) 中，我使用了 BatchNormalization 并将其命名为“bnl_stg-1”，我只向其传递了一个输​​入 (X)。但由于某种原因，它连接到标识和卷积块中的所有 BatchNorm 层，如图所示。

这是代码：

def ResNet(input_shape, features):

'''
Implements the ResNet50 Model
[Conv2D -> BatchNorm -> ReLU -> MaxPool2D] --> [ConvBlock -> IdentityBlock * 2] --> [ConvBlock -> IdentityBlock * 3] --> [AveragePool2D -> Flatten -> Dense -> Sigmoid]
'''   
X_input = Input(input_shape)

X = ZeroPadding2D((3, 3))(X_input)

# Stage 1
X = Conv2D(filters = 64, 
           kernel_size = (7, 7), 
           strides = (2, 2), 
           name = 'cnl_stg-1', 
           kernel_initializer = 'glorot_uniform')(X)

X = BatchNormalization(axis = 3, 
                       name = 'bnl_stg-1')(X)

X = Activation('relu')(X)

X = MaxPooling2D(pool_size=(3, 3), 
                 strides=(2, 2))(X)

# Stage 2
X = convolutional_block(X, f = 3, filters = [64, 64, 256], stage = 2, s = 1)
X = identity_block(X, 3, [64, 64, 256], stage=2, block=1)
X = identity_block(X, 3, [64, 64, 256], stage=2, block=2)

# Stage 3 
X = convolutional_block(X, f = 3, filters = [128, 128, 512], stage = 3, s = 2)
X = identity_block(X, 3, [128, 128, 512], stage = 3, block = 1)
X = identity_block(X, 3, [128, 128, 512], stage = 3, block = 2)
X = identity_block(X, 3, [128, 128, 512], stage = 3, block = 3)

#Final Stage
X = AveragePooling2D(pool_size = (2, 2),
                     strides = (2, 2))(X)
X = Flatten()(X)
X = Dense(features, activation='sigmoid', name='fc' + str(features), kernel_initializer = 'glorot_uniform')(X)

# Create model
model = Model(inputs = X_input, outputs = X, name='ResNet')

return model

图表快照

bnl-stg-1（BatchNormLayer-Stage-1）

标签： kerasdeep-learningbatch-normalizationresnet

解决方案

你不应该担心它。Batch Normalization 行为在训练和学习之间发生变化，因此 Keras 添加了一个布尔变量来控制它（如果我没记错的话是 keras_learning_phase）。这就是为什么所有这些层都是连接的。你可以期待 Dropout 层的类似行为。

推荐阅读