Source－MachineThink．Netv2總共包含3個卷積層，其中第一個是擴(kuò)展層，第二個是深度層，第三個是投影層。擴(kuò)展層：此層接收輸入數(shù)據(jù)并將低維數(shù)據(jù)擴(kuò)展為高維，以便保留重要信息并將其輸出提供給深度層。擴(kuò)展因子是一個超參數(shù)，可根據(jù)試驗次數(shù)進(jìn)行調(diào)整。深度層：該層從擴(kuò)展層接收輸入，并執(zhí)行深度和點向卷積，將特征圖提供給投影層。投影層：該層負(fù)責(zé)縮小數(shù)據(jù)的尺寸，以便僅有限數(shù)量的數(shù)據(jù)在網(wǎng)絡(luò)中進(jìn)一步傳遞，此時輸入尺寸與輸出尺寸匹配，這也稱為“瓶頸”層”。

Source－MachineThink．Net殘差連接是基于ResNet的網(wǎng)絡(luò)的新增功能，有助于控制通過網(wǎng)絡(luò)的漸變流，使用時輸入數(shù)據(jù)的維數(shù)與輸出數(shù)據(jù)的維數(shù)相同。

3． ReLu6

該網(wǎng)絡(luò)中的每個層都帶有ReLu6，而不是帶有批量標(biāo)準(zhǔn)化的ReLu。ReLu6將值的范圍限制在0到6之間，這是一個線性激活函數(shù)。通過限制小數(shù)點左邊的3位信息，還有助于將精度保持在小數(shù)點右邊。研究人員表示，最后一層（即投影層）的輸出不具有激活功能，因為其輸出是低維數(shù)據(jù)。根據(jù)研究人員的說法，在最后一層中添加任何非線性函數(shù)都可能導(dǎo)致有用信息的丟失。4． 實施現(xiàn)在，我們對圖像分割和使用的mobilenetv2有了一個大概的了解，接下來讓我們來看一下如何去實現(xiàn)。先決條件：該代碼使用TensorFlow版本1．x，因此你需要擁有版本1．x才能正常工作，如果你使用的是2．x，則執(zhí)行時會出錯，因此建議你僅使用Google Collab來執(zhí)行。在GitHub上的筆記本中逐行解釋快速介紹代碼的所有重要方面和完整實現(xiàn)。

為了演示，我們將使用以下尺寸為（596 x 900）的圖片

步驟1：下載經(jīng)過預(yù)先訓(xùn)練的模型。由于模型是經(jīng)過預(yù)訓(xùn)練的，因此只需下載并將我們的圖像傳遞給它，它會返回分割后的圖像。MODEL＿NAME ＝ ＇mobilenetv2＿coco＿voctrainaug＇ ＃＠參數(shù)［ ＇mobilenetv2＿coco＿voctrainaug＇， ＇mobilenetv2＿coco＿voctrainval＇， ＇xception＿coco＿voctrainaug＇， ＇xception＿coco＿voctrainval＇］ ＿DOWNLOAD＿URL＿PREFIX ＝ ＇ http：／／download．tensorflow．org／models／＇
＿M(jìn)ODEL＿URLS ＝ ｛
   ＇mobilenetv2＿coco＿voctrainaug＇：
       ＇deeplabv3＿mnv2＿pascal＿train＿aug＿2018＿01＿29．tar．gz＇，
   ＇mobilenetv2＿coco＿voctrainval＇：
       ＇deeplabv3＿mnv2＿pascal＿trainval＿2018＿01＿29．tar．gz＇，
   ＇xception＿coco＿voctrainaug＇：
       ＇deeplabv3＿pascal＿train＿aug＿2018＿01＿04．tar．gz＇，
   ＇xception＿coco＿voctrainval＇：
       ＇deeplabv3＿pascal＿trainval＿2018＿01＿04．tar．gz＇，
｝
＿TARBALL＿NAME ＝＇deeplab＿model．tar．gz＇model＿dir ＝ tempfile．mkdtemp（）
tf．gfile．MakeDirs（model＿dir）下載路徑＝ os．path．join（model＿dir，＿TARBALL＿NAME）
打�。ā罢�在下載模型，這可能需要一段時間．．．”）
urllib．request．urlretrieve（＿DOWNLOAD＿URL＿PREFIX ＋ ＿M(jìn)ODEL＿URLS ［MODEL＿NAME］，
                  download＿path）
打�。ǎ�下載完成！正在加載DeepLab模型．．．＇）MODEL ＝ DeepLabModel（download＿path）
打�。ǎ�模型加載成功�。В�