欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

使用keras实现孪生网络中的权值共享教程

程序员文章站 2022-03-12 11:01:00
首先声明,这里的权值共享指的不是cnn原理中的共享权值,而是如何在构建类似于siamese network这样的多分支网络,且分支结构相同时,如何使用keras使分支的权重共享。functional...

首先声明,这里的权值共享指的不是cnn原理中的共享权值,而是如何在构建类似于siamese network这样的多分支网络,且分支结构相同时,如何使用keras使分支的权重共享。

functional api

为达到上述的目的,建议使用keras中的functional api,当然sequential 类型的模型也可以使用,本篇博客将主要以functional api为例讲述。

keras的多分支权值共享功能实现,

上面是官方的链接,本篇博客也是基于上述官方文档,实现的此功能。(插一句,keras虽然有中文文档,但中文文档已停更,且中文文档某些函数介绍不全,建议直接看英文官方文档)

不共享参数的模型

matchnet网络结构为例子,为方便显示,将卷积模块个数减为2个。首先是展示不共享参数的模型,以便观看完整的网络结构。

整体的网络结构如下所示:

代码包含两部分,第一部分定义了两个函数,featurenetwork()生成特征提取网络,classifilernet()生成决策网络或称度量网络。网络结构的可视化在博客末尾。在classifilernet()函数中,可以看到调用了两次featurenetwork()函数,keras.models.model也被使用的两次,因此生成的input1和input2是两个完全独立的模型分支,参数是不共享的。

from keras.models import sequential
from keras.layers import merge, conv2d, maxpool2d, activation, dense, concatenate, flatten
from keras.layers import input
from keras.models import model
from keras.utils import np_utils
import tensorflow as tf
import keras
from keras.datasets import mnist
import numpy as np
from keras.utils import np_utils
from keras.callbacks import earlystopping, modelcheckpoint, tensorboard, reducelronplateau
from keras.utils.vis_utils import plot_model

# ---------------------函数功能区-------------------------
def featurenetwork():
  """生成特征提取网络"""
  """这是根据,mnist数据调整的网络结构,下面注释掉的部分是,原始的matchnet网络中feature network结构"""
  inp = input(shape = (28, 28, 1), name='featurenet_imageinput')
  models = conv2d(filters=24, kernel_size=(3, 3), strides=1, padding='same')(inp)
  models = activation('relu')(models)
  models = maxpool2d(pool_size=(3, 3))(models)

  models = conv2d(filters=64, kernel_size=(3, 3), strides=1, padding='same')(models)
  # models = maxpool2d(pool_size=(3, 3), strides=(2, 2))(models)
  models = activation('relu')(models)

  models = conv2d(filters=96, kernel_size=(3, 3), strides=1, padding='valid')(models)
  models = activation('relu')(models)

  models = conv2d(filters=96, kernel_size=(3, 3), strides=1, padding='valid')(models)
  models = activation('relu')(models)
  models = flatten()(models)
  models = dense(512)(models)
  models = activation('relu')(models)
  model = model(inputs=inp, outputs=models)
  return model

def classifilernet(): # add classifier net
  """生成度量网络和决策网络,其实maychnet是两个网络结构,一个是特征提取层(孪生),一个度量层+匹配层(统称为决策层)"""
  input1 = featurenetwork()           # 孪生网络中的一个特征提取
  input2 = featurenetwork()           # 孪生网络中的另一个特征提取
  for layer in input2.layers:          # 这个for循环一定要加,否则网络重名会出错。
    layer.name = layer.name + str("_2")
  inp1 = input1.input
  inp2 = input2.input
  merge_layers = concatenate([input1.output, input2.output])    # 进行融合,使用的是默认的sum,即简单的相加
  fc1 = dense(1024, activation='relu')(merge_layers)
  fc2 = dense(1024, activation='relu')(fc1)
  fc3 = dense(2, activation='softmax')(fc2)

  class_models = model(inputs=[inp1, inp2], outputs=[fc3])
  return class_models

# ---------------------主调区-------------------------
matchnet = classifilernet()
matchnet.summary() # 打印网络结构
plot_model(matchnet, to_file='g:/csdn攻略/picture/model.png') # 网络结构输出成png图片

共享参数的模型

featurenetwork()的功能和上面的功能相同,为方便选择,在classifilernet()函数中加入了判断是否使用共享参数模型功能,令reuse=true,便使用的是共享参数的模型。

关键地方就在,只使用的一次model,也就是说只创建了一次模型,虽然输入了两个输入,但其实使用的是同一个模型,因此权重共享的。

from keras.models import sequential
from keras.layers import merge, conv2d, maxpool2d, activation, dense, concatenate, flatten
from keras.layers import input
from keras.models import model
from keras.utils import np_utils
import tensorflow as tf
import keras
from keras.datasets import mnist
import numpy as np
from keras.utils import np_utils
from keras.callbacks import earlystopping, modelcheckpoint, tensorboard, reducelronplateau
from keras.utils.vis_utils import plot_model

# ----------------函数功能区-----------------------
def featurenetwork():
  """生成特征提取网络"""
  """这是根据,mnist数据调整的网络结构,下面注释掉的部分是,原始的matchnet网络中feature network结构"""
  inp = input(shape = (28, 28, 1), name='featurenet_imageinput')
  models = conv2d(filters=24, kernel_size=(3, 3), strides=1, padding='same')(inp)
  models = activation('relu')(models)
  models = maxpool2d(pool_size=(3, 3))(models)

  models = conv2d(filters=64, kernel_size=(3, 3), strides=1, padding='same')(models)
  # models = maxpool2d(pool_size=(3, 3), strides=(2, 2))(models)
  models = activation('relu')(models)

  models = conv2d(filters=96, kernel_size=(3, 3), strides=1, padding='valid')(models)
  models = activation('relu')(models)

  models = conv2d(filters=96, kernel_size=(3, 3), strides=1, padding='valid')(models)
  models = activation('relu')(models)

  # models = conv2d(64, kernel_size=(3, 3), strides=2, padding='valid')(models)
  # models = activation('relu')(models)
  # models = maxpool2d(pool_size=(3, 3), strides=(2, 2))(models)
  models = flatten()(models)
  models = dense(512)(models)
  models = activation('relu')(models)
  model = model(inputs=inp, outputs=models)
  return model

def classifilernet(reuse=false): # add classifier net
  """生成度量网络和决策网络,其实maychnet是两个网络结构,一个是特征提取层(孪生),一个度量层+匹配层(统称为决策层)"""

  if reuse:
    inp = input(shape=(28, 28, 1), name='featurenet_imageinput')
    models = conv2d(filters=24, kernel_size=(3, 3), strides=1, padding='same')(inp)
    models = activation('relu')(models)
    models = maxpool2d(pool_size=(3, 3))(models)

    models = conv2d(filters=64, kernel_size=(3, 3), strides=1, padding='same')(models)
    # models = maxpool2d(pool_size=(3, 3), strides=(2, 2))(models)
    models = activation('relu')(models)

    models = conv2d(filters=96, kernel_size=(3, 3), strides=1, padding='valid')(models)
    models = activation('relu')(models)

    models = conv2d(filters=96, kernel_size=(3, 3), strides=1, padding='valid')(models)
    models = activation('relu')(models)

    # models = conv2d(64, kernel_size=(3, 3), strides=2, padding='valid')(models)
    # models = activation('relu')(models)
    # models = maxpool2d(pool_size=(3, 3), strides=(2, 2))(models)
    models = flatten()(models)
    models = dense(512)(models)
    models = activation('relu')(models)
    model = model(inputs=inp, outputs=models)

    inp1 = input(shape=(28, 28, 1)) # 创建输入
    inp2 = input(shape=(28, 28, 1)) # 创建输入2
    model_1 = model(inp1) # 孪生网络中的一个特征提取分支
    model_2 = model(inp2) # 孪生网络中的另一个特征提取分支
    merge_layers = concatenate([model_1, model_2]) # 进行融合,使用的是默认的sum,即简单的相加

  else:
    input1 = featurenetwork()           # 孪生网络中的一个特征提取
    input2 = featurenetwork()           # 孪生网络中的另一个特征提取
    for layer in input2.layers:          # 这个for循环一定要加,否则网络重名会出错。
      layer.name = layer.name + str("_2")
    inp1 = input1.input
    inp2 = input2.input
    merge_layers = concatenate([input1.output, input2.output])    # 进行融合,使用的是默认的sum,即简单的相加
  fc1 = dense(1024, activation='relu')(merge_layers)
  fc2 = dense(1024, activation='relu')(fc1)
  fc3 = dense(2, activation='softmax')(fc2)

  class_models = model(inputs=[inp1, inp2], outputs=[fc3])
  return class_models

如何看是否真的是权值共享呢?直接对比特征提取部分的网络参数个数!

不共享参数模型的参数数量:

使用keras实现孪生网络中的权值共享教程

共享参数模型的参数总量

使用keras实现孪生网络中的权值共享教程

共享参数模型中的特征提取部分的参数量为:

使用keras实现孪生网络中的权值共享教程

由于截图限制,不共享参数模型的特征提取网络参数数量不再展示。其实经过计算,特征提取网络部分的参数数量,不共享参数模型是共享参数的两倍。两个网络总参数量的差值就是,共享模型中,特征提取部分的参数的量

网络结构可视化

不共享权重的网络结构

使用keras实现孪生网络中的权值共享教程

共享参数的网络结构,其中model_1代表的就是特征提取部分。

使用keras实现孪生网络中的权值共享教程

以上这篇使用keras实现孪生网络中的权值共享教程就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。