Basic_CNNs_TensorFlow2

一些基础卷积神经网络的 TensorFlow 2 实现。

包含的网络：

• MobileNet_V1
• MobileNet_V2
• MobileNet_V3
• EfficientNet
• ResNeXt
• InceptionV4、InceptionResNetV1、InceptionResNetV2
• SE_ResNet_50、SE_ResNet_101、SE_ResNet_152、SE_ResNeXt_50、SE_ResNeXt_101
• SqueezeNet
• DenseNet
• ShuffleNetV2
• ResNet
• RegNet

其他网络

关于 AlexNet 和 VGG，请参阅：https://github.com/calmisential/TensorFlow2.0_Image_Classification
关于 InceptionV3，请参阅：https://github.com/calmisential/TensorFlow2.0_InceptionV3
关于 ResNet，请参阅：https://github.com/calmisential/TensorFlow2.0_ResNet

训练

1. 环境要求：

• Python >= 3.9
• Tensorflow >= 2.7.0
• tensorflow-addons >= 0.15.0

2. 若要在您自己的数据集上训练网络，可以将数据集放置在 original dataset 文件夹下，目录结构应如下所示：

|——original dataset
   |——class_name_0
   |——class_name_1
   |——class_name_2
   |——class_name_3

3. 运行脚本 split_dataset.py 将原始数据集拆分为训练集、验证集和测试集。数据集目录将变为如下结构：

|——dataset
  |——train
       |——class_name_1
       |——class_name_2
       ......
       |——class_name_n
  |——valid
       |——class_name_1
       |——class_name_2
       ......
       |——class_name_n
  |—-test
       |——class_name_1
       |——class_name_2
       ......
       |——class_name_n

4. 运行 to_tfrecord.py 生成 TFRecord 文件。
5. 修改 config.py 中的相应参数。
6. 运行 show_model_list.py 获取模型索引。
7. 运行 python train.py --idx [index] 开始训练。
   如果您想训练 EfficientNet，应在训练前更改 IMAGE_HEIGHT 和 IMAGE_WIDTH。

• b0 = (224, 224)
• b1 = (240, 240)
• b2 = (260, 260)
• b3 = (300, 300)
• b4 = (380, 380)
• b5 = (456, 456)
• b6 = (528, 528)
• b7 = (600, 600)

评估

运行 python evaluate.py --idx [index] 来评估模型在测试集上的性能。

不同神经网络的输入图像尺寸

类型	神经网络	输入图像尺寸（高 * 宽）
MobileNet	MobileNet_V1	(224 * 224)
	MobileNet_V2	(224 * 224)
	MobileNet_V3	(224 * 224)
EfficientNet	EfficientNet(B0~B7)	/
ResNeXt	ResNeXt50	(224 * 224)
	ResNeXt101	(224 * 224)
SEResNeXt	SEResNeXt50	(224 * 224)
	SEResNeXt101	(224 * 224)
Inception	InceptionV4	(299 * 299)
	Inception_ResNet_V1	(299 * 299)
	Inception_ResNet_V2	(299 * 299)
SE_ResNet	SE_ResNet_50	(224 * 224)
	SE_ResNet_101	(224 * 224)
	SE_ResNet_152	(224 * 224)
SqueezeNet	SqueezeNet	(224 * 224)
DenseNet	DenseNet_121	(224 * 224)
	DenseNet_169	(224 * 224)
	DenseNet_201	(224 * 224)
	DenseNet_269	(224 * 224)
ShuffleNetV2	ShuffleNetV2	(224 * 224)
ResNet	ResNet_18	(224 * 224)
	ResNet_34	(224 * 224)
	ResNet_50	(224 * 224)
	ResNet_101	(224 * 224)
	ResNet_152	(224 * 224)

参考文献

1. MobileNet_V1：面向移动视觉应用的高效卷积神经网络
2. MobileNet_V2：倒残差与线性瓶颈
3. MobileNet_V3：MobileNetV3 的搜索
4. EfficientNet：EfficientNet：重新思考卷积神经网络的模型缩放
5. EfficientNet 官方代码：https://github.com/tensorflow/tpu/tree/master/models/official/efficientnet
6. ResNeXt：深度神经网络的聚合残差变换
7. Inception_V4/Inception_ResNet_V1/Inception_ResNet_V2：Inception-v4、Inception-ResNet 以及残差连接对学习的影响
8. Inception_V4 官方实现：https://github.com/tensorflow/models/blob/master/research/slim/nets/inception_v4.py
9. Inception_ResNet_V2 官方实现：https://github.com/tensorflow/models/blob/master/research/slim/nets/inception_resnet_v2.py
10. SENet：挤压-激励网络
11. SqueezeNet：SqueezeNet：参数量减少 50 倍、模型大小小于 0.5MB 却达到 AlexNet 级别的精度
12. DenseNet：密集连接的卷积网络
13. https://zhuanlan.zhihu.com/p/37189203
14. ShuffleNetV2：ShuffleNet V2：高效 CNN 架构设计的实用指南
15. https://zhuanlan.zhihu.com/p/48261931
16. ResNet：用于图像识别的深度残差学习
17. RegNet：网络设计空间的设计

Basic_CNNs_TensorFlow2 快速上手指南

本指南旨在帮助开发者快速使用 TensorFlow 2 实现多种经典卷积神经网络（CNN），包括 MobileNet、EfficientNet、ResNet、DenseNet 等。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux / macOS / Windows
• Python 版本：>= 3.9
• 核心依赖：
  • TensorFlow >= 2.7.0
  • tensorflow-addons >= 0.15.0

国内加速建议：安装依赖时推荐使用清华或阿里镜像源以提升下载速度。

pip install tensorflow tensorflow-addons -i https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

1. 克隆项目代码

   git clone https://github.com/calmisential/Basic_CNNs_TensorFlow2.git
   cd Basic_CNNs_TensorFlow2
   

2. 安装 Python 依赖

   pip install -r requirements.txt
   # 如果没有 requirements.txt，请直接安装核心依赖：
   # pip install tensorflow>=2.7.0 tensorflow-addons>=0.15.0
   

基本使用

以下是使用自定义数据集训练模型的完整流程：

1. 准备数据集

将原始图片数据放入 original dataset 文件夹，目录结构需按类别分文件夹存放：

|——original dataset
   |——class_name_0
   |——class_name_1
   |——class_name_2
   ...

2. 划分数据集

运行脚本将原始数据划分为训练集、验证集和测试集：

python split_dataset.py

执行后生成的 dataset 目录结构如下：

|——dataset
   |——train
   |——valid
   |——test

3. 生成 TFRecord 文件

将图片数据转换为 TensorFlow 高效的 TFRecord 格式：

python to_tfrecord.py

4. 配置参数

编辑 config.py 文件，根据实际需求修改超参数（如学习率、Batch Size、训练轮数等）。

5. 获取模型索引

查看支持的模型列表及其对应的索引编号：

python show_model_list.py

6. 开始训练

使用获取到的模型索引 [index] 启动训练：

python train.py --idx [index]

注意：若训练 EfficientNet 系列模型，请在训练前根据具体版本在 config.py 中调整输入图像尺寸：

• b0: (224, 224)
• b1: (240, 240)
• b2: (260, 260)
• b3: (300, 300)
• b4: (380, 380)
• b5: (456, 456)
• b6: (528, 528)
• b7: (600, 600)

7. 模型评估

训练完成后，使用测试集评估模型性能：

python evaluate.py --idx [index]

常见模型输入尺寸参考

模型系列	具体模型	推荐输入尺寸 (高 * 宽)
MobileNet	V1, V2, V3	224 * 224
ResNet	18, 34, 50, 101, 152	224 * 224
SE-ResNet	50, 101, 152	224 * 224
ResNeXt	50, 101	224 * 224
DenseNet	121, 169, 201, 269	224 * 224
Inception	V4, ResNet V1/V2	299 * 299
Others	SqueezeNet, ShuffleNetV2	224 * 224
EfficientNet	B0 ~ B7	见上文训练步骤说明