0.寫在前邊

這算得上是真正意義上接觸的第一個(gè)深度學(xué)習(xí)項(xiàng)目了。果真在既沒有經(jīng)驗(yàn)，又沒有實(shí)力的情況下，項(xiàng)目被搞得一團(tuán)糟。實(shí)踐出真知，趕緊總結(jié)吸取教訓(xùn)！！！

---

1.項(xiàng)目流程

1.1數(shù)據(jù)流

（1）超參傳遞
1）通過.py傳遞
eg: params.py中存儲(chǔ)超參[OPTIMIZER = ‘Adam’]的值；則在新的.py文件中導(dǎo)入[import params]，便可通過 params.OPTIMIZER獲得超參的值；
2）通過sys傳遞外部參數(shù)
（2）數(shù)據(jù)讀取過程
1）獲取圖像名稱列表：glob；
2）生成batches索引列表；
3）生成（圖像，標(biāo)簽）batch：i加載數(shù)據(jù)；ii數(shù)據(jù)預(yù)處理[數(shù)據(jù)增廣、歸一化、標(biāo)簽轉(zhuǎn)換等]；

實(shí)用代碼

數(shù)據(jù)增廣

from albumentations import (PadIfNeeded,HorizontalFlip, # VerticalFlip, # CenterCrop, Crop,Compose, #Transpose, #RandomRotate90, #ElasticTransform,GridDistortion, OpticalDistortion,RandomSizedCrop,OneOf,CLAHE,RandomContrast,RandomGamma,RandomBrightness ) def image_augmentation(currImg, labelMask):aug = Compose([VerticalFlip(p=0.5), RandomRotate90(p=0.5),HorizontalFlip(p=0.5),Transpose(p=0.5)])augmented = aug(image=currImg, mask=labelMask)imageMedium = augmented['image']labelMedium = augmented['mask']return imageMedium,labelMedium

RGB圖像歸一化:從[0-255]到[0-1]

from keras.applications import imagenet_utils imgBatch = imagenet_utils.preprocess_input(imgBatch) imgBatch = imgBatch / 255.0

1.2模型&代碼

（通用定義）

from keras.layers import Input # 定義模型所需要的 [輸入的張量（占位？），張量的形狀] input_tensor = Input(shape=(imgSz[0],imgSz[1],self.params.NUM_CHANNELS)) input_shape = (imgSz[0],imgSz[1],self.params.NUM_CHANNELS) # 模型逐層定義# backbone# 自定義# model = Model(input, x)# 損失函數(shù)# 優(yōu)化算法# 編譯# return model #

后處理

語(yǔ)義分割

pred = np.argmax(pred, axis=2).astype('uint8')

高度預(yù)測(cè)

pred = convert_labels(pred, self.params, toLasStandard=True)

最后

pred = pred[:,:,0] tifffile.imsave(os.path.join(self.params.OUTPUT_DIR, outName), pred, compress=6)

訓(xùn)練&推理

推理階段：模型不需要損失函數(shù)和優(yōu)化算法；
對(duì)數(shù)據(jù)的預(yù)處理和后處理是基本相同的；

---

2.模型&代碼（基模差定義）

2.0 模型基礎(chǔ)

特征交互的方式：
（1）級(jí)聯(lián)：通道數(shù)變?yōu)樵瓉淼膬杀?br /> （2）級(jí)聯(lián)再卷積：卷積的目的是降低通道數(shù)與原來保持一致
（3）加：逐元素相加 ----線性和、加權(quán)和
（4）乘：逐元素相乘
金字塔的表現(xiàn)方式：
（1）圖像金字塔：圖像resize到不同尺寸，基于不同尺寸的圖像做預(yù)測(cè)；
（2）特征金字塔：圖像–特征（不同尺寸的特征），基于不同尺寸的特征做預(yù)測(cè)；
（3）FPN：金字塔特征+頂層特征與低層特征融合；
resnet的特點(diǎn)： 包含殘差塊，即上一塊的輸出與下一層的輸出融合

2.1 UNet

encoder-decoder結(jié)構(gòu)
四個(gè)卷積塊 & 四個(gè)上采樣塊 + skip connection

2.2 FPN

特征金字塔 預(yù)測(cè)

2.3 LinkNet

四個(gè)卷積塊 & 四個(gè)上采樣塊 + skip connection
編碼時(shí)resnet作為backbone

2.4 PSPNet

金字塔池化模塊：不同尺度的池化得到不同尺度的特征，再上采樣到原來的大小，進(jìn)行級(jí)聯(lián)；

---

3.小細(xì)節(jié)

• 命名： 項(xiàng)目、文件夾、文件、類、函數(shù)、方法、變量等，任何需要命名的東西，做到簡(jiǎn)潔、見名知意；
• 版本控制： 不同版本間的名稱做到有序有意；
  – 版本控制的方法：外隔離、內(nèi)隔離；（源碼多是外隔離[.py]，師兄多是內(nèi)隔離[class]）
• 功能封裝： （1）程序模塊化：相似的功能模塊集成（函數(shù)、類、包）；（2）使用高級(jí)模塊化的語(yǔ)句：即用盡可能少的、高效的代碼完成需要的功能；

總結(jié)

以上是生活随笔為你收集整理的IGARSS2019-项目实战总结-keras的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。