Tensorflow2.0实现ResNet +（卷积块注意模块CBAM )+垃圾分类

1.残差网络

残差网络我是在吴恩达深度学习里了解的，真正领会还是看了几篇博文才慢慢的瞎编出来。
我们先来了解一下为什么会衍生出残差网络。(下面文字是抄的，我觉得我写的肯定不如人家的好，我会把连接贴出来）

深层次网络训练瓶颈：梯度消失，网络退化

当使用更深层的网络时，会发生梯度消失、爆炸问题，这个问题很大程度通过标准的初始化和正则化层来基本解决，这样可以确保几十层的网络能够收敛，但是随着网络层数的增加，梯度消失或者爆炸的问题仍然存在。

问题就是网络的退化，举个例子，假设已经有了一个最优化的网络结构，是18层。当我们设计网络结构的时候，我们并不知道具体多少层次的网络时最优化的网络结构，假设设计了34层网络结构。那么多出来的16层其实是冗余的，我们希望训练网络的过程中，模型能够自己训练这五层为恒等映射，也就是经过这层时的输入与输出完全一样。但是往往模型很难将这16层恒等映射的参数学习正确，那么就一定会不比最优化的18层网络结构性能好，这就是随着网络深度增加，模型会产生退化现象。它不是由过拟合产生的，而是由冗余的网络层学习了不是恒等映射的参数造成的。

1.1 为什么叫残差网络

从下图可以看出，数据经过了两条路线，一条是常规路线，另一条则是捷径（shortcut），直接实现单位映射的直接连接的路线，这有点类似与电路中的“短路”。通过实验，这种带有shortcut的结构确实可以很好地应对退化问题。我们把网络中的一个模块的输入和输出关系看作是 $y=H(x)$，那么直接通过梯度方法求 H(x) 就会遇到上面提到的退化问题，如果使用了这种带shortcut的结构，那么可变参数部分的优化目标就不再是 H(x),若用F(x)来代表需要优化的部分的话，则$H(x)=F(x)+x$，也就是$F(x)=H(x)-x$。因为在单位映射的假设中 $y=xy$ 就相当于观测值，所以 $F(x)$ 就对应着残差，因而叫残差网络。为啥要这样做，因为作者认为学习残差 $F(X)$ 比直接学习 $H(X)$简单！设想下，现在根据我们只需要去学习输入和输出的差值就可以了，绝对量变为相对量（$H(x)-x$ 就是输出相对于输入变化了多少），优化起来简单很多。
考虑到x的维度与 $F(x)$维度可能不匹配情况，需进行维度匹配。这里论文中采用两种方法解决这一问题(其实是三种，但通过实验发现第三种方法会使performance急剧下降，故不采用):

1. zero_padding:对恒等层进行0填充的方式将维度补充完整。这种方法不会增加额外的参数
2. projection:在恒等层采用1x1的卷积核来增加维度。这种方法会增加额外的参数

下图展示了两种形态的残差模块，左图是常规残差模块，有两个3×3卷积核卷积核组成，但是随着网络进一步加深，这种残差结构在实践中并不是十分有效。针对这问题，右图的“瓶颈残差模块”（bottleneck residual block）可以有更好的效果，它依次由1×1、3×3、1×1这三个卷积层堆积而成，这里的1×1的卷积能够起降维或升维的作用，从而令3×3的卷积可以在相对较低维度的输入上进行，以达到提高计算效率的目的。

现在我们进入代码：

导入模块

import tensorflow as tf
from tensorflow.keras import layers,Sequential
import tensorflow.keras as keras
import os

1.2实现Basic Block模块

# Basic Block 模块。
class BasicBlock(layers.Layer):
    def __init__(self, filter_num, stride=1):
        super(BasicBlock, self).__init__()

        self.conv1 = layers.Conv2D(filter_num, (3, 3), strides=stride, padding='same')
        self.bn1 = layers.BatchNormalization()
        self.relu = layers.Activation('relu')

        #上一块如果做Stride就会有一个下采样，在这个里面就不做下采样了。这一块始终保持size一致，把stride固定为1
        self.conv2 = layers.Conv2D(filter_num, (3, 3), strides=1, padding='same')
        self.bn2 = layers.BatchNormalization()

        if stride != 1:
            self.downsample = Sequential()
            self.downsample.add(layers.Conv2D(filter_num, (1, 1), strides=stride))
        else:
            self.downsample = lambda x:x

    def call(self, inputs, training=None):

        # [b, h, w, c]
        out = self.conv1(inputs)
        out = self.bn1(out)
        out = self.relu(out)

        out = self.conv2(out)
        out = self.bn2(out)

        identity = self.downsample(inputs)

        output = layers.add([out, identity])  #layers下面有一个add，把这2个层添加进来相加。
        output = tf.nn.relu(output)
        return output

1.3 Res Block 模块。

class ResNet(keras.Model):

    # 第一个参数layer_dims：[2, 2, 2, 2] 4个Res Block，每个包含2个Basic Block
    # 第二个参数num_classes：我们的全连接输出，取决于输出有多少类。
    def __init__(self, layer_dims, num_classes=6):
        super(ResNet, self).__init__()

        # 预处理层；实现起来比较灵活可以加 MAXPool2D，可以没有。
        self.stem = Sequential([layers.Conv2D(64, (3, 3), strides=(1, 1)),
                                layers.BatchNormalization(),
                                layers.Activation('relu'),
                                layers.MaxPool2D(pool_size=(2, 2), strides=(1, 1), padding='same')
                                ])

        # 创建4个Res Block；注意第1项不一定以2倍形式扩张，都是比较随意的，这里都是经验值。
        self.layer1 = self.build_resblock(64, layer_dims[0])
        self.layer2 = self.build_resblock(128, layer_dims[1], stride=2)
        self.layer3 = self.build_resblock(256, layer_dims[2], stride=2)
        self.layer4 = self.build_resblock(512, layer_dims[3], stride=2)

        self.avgpool = layers.GlobalAveragePooling2D()
        self.fc = layers.Dense(num_classes)

    def call(self,inputs, training=None):
        # __init__中准备工作完毕；下面完成前向运算过程。
        x = self.stem(inputs)

        x = self.layer1(x)
        x = self.layer2(x)
        x = self.layer3(x)
        x = self.layer4(x)

        # 做一个global average pooling，得到之后只会得到一个channel，不需要做reshape操作了。
        # shape为 [batchsize, channel]
        x = self.avgpool(x)
        # [b, 100]
        x = self.fc(x)
        return x

    # 实现 Res Block； 创建一个Res Block
    def build_resblock(self, filter_num, blocks, stride=1):

        res_blocks = Sequential()
        # may down sample 也许进行下采样。
        # 对于当前Res Block中的Basic Block，我们要求每个Res Block只有一次下采样的能力。
        res_blocks.add(BasicBlock(filter_num, stride))

        for _ in range(1, blocks):
            res_blocks.add(BasicBlock(filter_num, stride=1)) # 这里stride设置为1，只会在第一个Basic Block做一个下采样。

        return res_blocks

def resnet18():
    return ResNet([2, 2, 2, 2])


model = resnet18()
model.build(input_shape=(None, 32, 32, 3))
model.summary()

到这里残差网络就已经完成了。

1.4 残差模块加入CBAM

CBAM主要在传统CNN上引入通道注意力机制和空间注意力机制

1. 通道注意力机制

2. 空间注意力机制

1.5 Tensorflow2.0+ResNet18+CBAM+垃圾分类

import tensorflow as tf
from tensorflow.keras import layers,Sequential,regularizers,optimizers
import tensorflow.keras as keras

定义一个3 * 3 的卷积，kernel_initializer=“he_normal”,"logrot_normal"

def regurlarized_padded_conv(*args,**kwargs):
    
    return layers.Conv2D(*args,**kwargs,padding="same",
                        use_bias=False,
                        kernel_initializer="he_normal",
                        kernel_regularizer=regularizers.l2(5e-4))

通道注意力机制

class ChannelAttention(layers.Layer):
    def __init__(self,in_planes,ration=16):
        super(ChannelAttention,self).__init__()
        self.avg = layers.GlobalAveragePooling2D()
        self.max = layers.GlobalMaxPooling2D()
        
        self.conv1 = layers.Conv2D(in_planes//ration,kernel_size=1,strides=1,
                                  padding ="same",
                                   kernel_regularizer=regularizers.l2(1e-4),
                                  use_bias=True,activation=tf.nn.relu)
        
        self.conv2 = layers.Conv2D(in_planes,kernel_size=1,strides=1,
                                  padding= "same",
                                  kernel_regularizer=regularizers.l2(1e-4),
                                  use_bias=True)
        
        def call(self,inputs):
            avg = self.avg(inputs)
            max = self.max(inputs)
            avg = layers.Reshape((1,1,avg.shape[1]))(avg)
            
            max = layers.Reshape((1,1,max.shape[1]))(max)
            
            avg_out = self.conv2(self.conv1(avg))
            max_out = self.conv2(self.conv1(max))
            
            out = avg_out + max_out
            out = tf.nn.sigmoid(out)
            return out

空间注意力机制

class SpatialAttention(layers.Layer):
    def __init__(self,kernel_size=7):
        super(SpatialAttention,self).__init__()
        self.conv1 = regurlarized_padded_conv(1,kernel_size=kernel_size,strides=1,activation=tf.nn.sigmoid)
    
    def call(self,inputs):
        avg_out = tf.reduce_mean(inputs,axis=3)
        max_out = tf.reduce_max(inputs,axis=3)
        
        out = tf.stack([avg_out,max_out],axis=3)
        out = self.conv1(out)
        
        return out

Basic Block 模块

class BasicBlock(layers.Layer):
    expansion = 1
    def __init__(self,in_channels,out_channels,stride=1):
        super(BasicBlock,self).__init__()
        
        self.conv1 = regurlarized_padded_conv(out_channels,kernel_size=3,
                                             strides=stride)
        self.bn1 = layers.BatchNormalization()
        
        self.conv2 = regurlarized_padded_conv(out_channels,kernel_size=3,strides=1)
        self.bn2 = layers.BatchNormalization()
        
        ########注意力机制#################
        self.ca = ChannelAttention(out_channels)
        self.sa = SpatialAttention()
        
        #3.判断stride是否等于1，如果为1就是没有降采样
        if stride != 1 or in_channels != self.expansion * out_channels:
            self.shortcut = Sequential([regurlarized_padded_conv(self.expansion*out_channels,
                                                                kernel_size=1,strides=stride),
                                       layers.BatchNormalization()])
            
        else:
            self.shortcut = lambda x,_:x
    
    def call(self,inputs,training=False):
        out = self.conv1(inputs)
        out = self.bn1(out,training=training)
        out = tf.nn.relu(out)
        
        out = self.conv2(out)
        out = self.bn2(out,training=training)
        ########注意力机制###########
        out = self.ca(out) * out
        
        out = self.sa(out) * out
        
        out = out + self.shortcut(inputs,training)
        out = tf.nn.relu(out)
        
        return out

Res Block 模块
我用CPU运算太慢了，所以我注释掉了两个跳跃模块具体过程可以看Res Block 模块代码：

class ResNet(keras.Model):
    def __init__(self,layer_dims,num_classes=6):
        super(ResNet,self).__init__()
        self.in_channels = 64
        
        #预测理卷积
        self.stem = Sequential([
            regurlarized_padded_conv(64,kernel_size=3,strides=1),
            layers.BatchNormalization()
        ])
        #创建4个残差网络
        self.layer1 = self.build_resblock(32,layer_dims[0],stride=1)
        self.layer2 = self.build_resblock(64,layer_dims[1],stride=2)
#         self.layer3 = self.build_resblock(256,layer_dims[2],stride=2)
#         self.layer4 = self.build_resblock(512,layer_dims[3],stride=2)
        
        self.final_bn = layers.BatchNormalization()
        self.avgpool = layers.GlobalAveragePooling2D()
        self.fc = layers.Dense(num_classes,activation="softmax")
        
    def call(self,inputs,training=False):
        out = self.stem(inputs,training)
        out = tf.nn.relu(out)
        
        out = self.layer1(out,training=training)
        out = self.layer2(out,training=training)
#         out = self.layer3(out,training=training)
#         out = self.layer4(out,training=training)
        
        out = self.final_bn(out)
        out = self.avgpool(out)
        out = self.fc(out)
        
        return out
#         self.final_bn = layers.BatchNormalization()
#         self.avgpool = 
        #1.创建resBlock
    def build_resblock(self,out_channels,num_blocks,stride):
        strides = [stride] + [1] * (num_blocks - 1)
        res_blocks = Sequential()
        
        for stride in strides:
            res_blocks.add(BasicBlock(self.in_channels,out_channels,stride))
            self.in_channels = out_channels
        
        return res_blocks
  

注意！！！
因为我注释掉了最后两个跳跃模块，就不是18层了，而是10层，所以我在设置模块时，不再是[2,2,2,2] 而是 [2,2]

ef ResNet18():
    return ResNet([2,2])

数据预处理

mport numpy as np
import matplotlib.pyplot as plt
from keras.preprocessing.image import ImageDataGenerator,load_img,img_to_array,array_to_img
import glob,os,random


#加载数据集路径
base_path = "./data"
#查看数据集长度 2295
img_list = glob.glob(os.path.join(base_path,"*/*.jpg"))
print(len(img_list))

对数据进行分组

# 对数据集进行分组
train_datagen = ImageDataGenerator(
        rescale=1./255,shear_range=0.1,zoom_range=0.1,
        width_shift_range=0.1,height_shift_range=0.1,horizontal_flip=True,
        vertical_flip=True,validation_split=0.1)

test_data = ImageDataGenerator(rescale=1./255,validation_split=0.1)

train_generator = train_datagen.flow_from_directory(base_path,target_size=(300,300),
                                                   batch_size=16,
                                                   class_mode="categorical",
                                                   subset="training",seed=0)

validation_generator = test_data.flow_from_directory(base_path,target_size=(300,300),
                                                    batch_size=16,
                                                    class_mode="categorical",
                                                    subset="validation",seed=0
                                                    )

labels = (train_generator.class_indices)
labels = dict((v,k) for k,v in labels.items())
print(labels)

训练数据

model = ResNet18()
model.build(input_shape=(None,300,300,3))
model.summary()
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['acc'])
model.fit_generator(train_generator, epochs=100, steps_per_epoch=2068//32,validation_data=validation_generator,
                    validation_steps=227//32)

测试数据我就不写了，上一篇垃圾分类里已经写了。
到这里就完成了。因为我注释掉了2个残差模块，训练的结果是惨不忍睹，没办法，我的小妾(GPU)真是做不到啊！！！！！

参考自大神博文处，我这是组合性质，单独一个知识点请点击下方：

《CBAM 注意力机制详解》
https://blog.csdn.net/abc13526222160/article/details/103765484

《十分钟理解残差网络》
https://blog.csdn.net/fendouaini/article/details/82027389?depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-3&utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-3

《残差网络详解》
https://blog.csdn.net/abc13526222160/article/details/90057121?depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-9&utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-9