python - 如何使用由 "tensorflow.keras"构建的两层基本 CNN 算法来编码残差 block ？

Question

我有一个使用 tensorflow.keras 库构建的基本 CNN 模型代码:

model = Sequential()

# First Layer
model.add(Conv2D(64, (3,3), input_shape = (IMG_SIZE,IMG_SIZE,1)))
model.add(Activation("relu"))
model.add(MaxPooling2D(pool_size = (3,3)))

# Second Layer
model.add(Conv2D(64, (3,3)))
model.add(Activation("relu"))
model.add(MaxPooling2D(pool_size = (3,3)))

# Third Layer
model.add(Conv2D(64, (3,3)))
model.add(Activation("relu"))
model.add(MaxPooling2D(pool_size = (3,3)))

# Fourth Layer
model.add(Conv2D(64, (3,3)))
model.add(Activation("relu"))
model.add(MaxPooling2D(pool_size = (3,3)))

# Fifth Layer
model.add(Conv2D(64, (3,3)))
model.add(Activation("relu"))
model.add(MaxPooling2D(pool_size = (3,3)))

model.add(Flatten())

# Sixth Layer
model.add(Dense(64))
model.add(Activation("relu"))

# Seventh Layer
model.add(Dense(1))
model.add(Activation('sigmoid'))

现在，我想在second 和fourth 层之间建立连接，以使用tensorflow 实现residual block。 keras 库。

那么，我应该如何修改代码来实现这样的残差 block 呢？

Answer 1

来自 ResNet 的残差 block 架构如下:

您需要使用 Keras functionnal API因为顺序模型太有限了。它在 Keras 中的实现是:

from tensorflow.keras import layers

def resblock(x, kernelsize, filters):
    fx = layers.Conv2D(filters, kernelsize, activation='relu', padding='same')(x)
    fx = layers.BatchNormalization()(fx)
    fx = layers.Conv2D(filters, kernelsize, padding='same')(fx)
    out = layers.Add()([x,fx])
    out = layers.ReLU()(out)
    out = layers.BatchNormalization()(out)
    return out

BatchNormalisation()层不是必需的，但可能是提高其准确性的可靠选择。 x 还需要具有与 filters 参数相同数量的过滤器。