MTCNN（九）更改python与c代码的PReLU为ReLU

背景：MTCNN的prelu需要训练，并且prelu需要有参数。prelu改为relu之后，相应的参数量会降低并且实现也更简单。

目的：更改MTCNN的prelu为ReLU,并在python端训练出相应的代码，c端结构改为与python端一致。

参考相关：

MTCNN（三）基于python代码的网络结构更改 https://blog.csdn.net/weixin_36474809/article/details/82856171

 MTCNN（一）训练与运行  https://blog.csdn.net/weixin_36474809/article/details/82752199

目录

一、python端结构的更改与参数训练

1.1 更改的位置

1.2 实验结果

1.3 重新训练与测试

Pnet

Rnet

Onet

二、采用网络结构表

Pnet

Rnet

Onet

三、c代码端结构的更改

3.1 函数的定义

3.2 网络的更改

---

一、python端结构的更改与参数训练

1.1 更改的位置

更改前的prelu

@layer
    def prelu(self, inp, name):
        with tf.variable_scope(name):
            i = int(inp.get_shape()[-1])
            alpha = self.make_var('alpha', shape=(i,))
            return tf.nn.relu(inp) + tf.multiply(alpha, -tf.nn.relu(-inp))

加上relu

 @layer
    def relu(self, inp, name):
        return tf.nn.relu(inp, name=name)

然后把pnet/rnet/onet中的prelu函数全部改为relu函数。

这里批评一下Notepad++之中的空格总是与python需要的空格不一致。每次编辑好之后还要用spyder再进行一次空格，免得报错。IndentationError: unexpected unindent

网络结构定义之中的更改：prelu改为了relu，（层的名字方便起见暂时没有更改）

class PNet(NetWork):

    def setup(self, task='data', reuse=False):

        with tf.variable_scope('pnet', reuse=reuse):
            (
                self.feed(task) .conv(
                    3,
                    3,
                    10,
                    1,
                    1,
                    padding='VALID',
                    relu=False,
                    name='conv1') .relu(
                    name='ReLU1') .conv(
                    3,
                    3,
                    16,
                    2,
                    2,
                    padding='SAME',
                    relu=False,
                    name='pool1_conv1') .relu(
                    name='pool1_ReLU1') .conv(
                    3,
                    3,
                    32,
                    1,
                    1,
                    padding='VALID',
                    relu=False,
                    name='conv2') .relu(
                    name='ReLU2') .conv(
                    3,
                    3,
                    32,
                    1,
                    1,
                    task=task,
                    padding='VALID',
                    relu=False,
                    name='conv3',
                    wd=self.weight_decay_coeff) .relu(
                    name='ReLU3'))

        if self.mode == 'train':
            if task == 'cls':
                (self.feed('ReLU3')
                     .conv(1, 1, 2, 1, 1, task=task, relu=False,
                           name='pnet/conv4-1', wd=self.weight_decay_coeff))
            elif task == 'bbx':
                (self.feed('ReLU3')
                     .conv(1, 1, 4, 1, 1, task=task, relu=False,
                           name='pnet/conv4-2', wd=self.weight_decay_coeff))
            elif task == 'pts':
                (self.feed('ReLU3')
                     .conv(1, 1, 10, 1, 1, task=task, relu=False,
                           name='pnet/conv4-3', wd=self.weight_decay_coeff))
            self.out_put.append(self.get_output())
        else:
            (self.feed('ReLU3')
                 .conv(1, 1, 2, 1, 1, relu=False, name='pnet/conv4-1')
                 .softmax(name='softmax'))
            self.out_put.append(self.get_output())
            (self.feed('ReLU3')
                 .conv(1, 1, 4, 1, 1, relu=False, name='pnet/conv4-2'))
            self.out_put.append(self.get_output())

1.2 实验结果

初步结果：

后续检验过的结果：mAP  57.85%

1.3 重新训练与测试

Pnet

把其中的prelu改为relu，然后训练。

all trainable variables:














all local variable:
input/input_producer/limit_epochs/epochs:0
input_1/input_producer/limit_epochs/epochs:0

只有卷积核与bias需要训练，没有了prelu的斜率。

Rnet

all trainable variables:


















all local variable:
input/input_producer/limit_epochs/epochs:0

Onet

all trainable variables:




















all local variable:
input/input_producer/limit_epochs/epochs:0

二、采用网络结构表

Pnet

Feature size	name	Kernel size	Stride	Padding
12*12*3	conv1 ReLU1	3*3*10	1	Valid
10*10*10	pool1_conv1 pool1_ReLU1	3*3*16	2	Same
5*5*16	conv2 ReLU2	3*3*32	1	Valid
3*3*32	conv3 ReLU3	3*3*32	1	Valid
1*1*32

Rnet

Feature size	name	Kernel size	Stride	Padding
24*24*3	conv1 relu1	3*3*28	1	Same
24*24*28	pool1_conv1 pool1_relu1	3*3*28	2	Same
12*12*28	conv2 relu2	3*3*48	1	Same
12*12*48	pool2_conv3 poo2_relu3	3*3*48	2	Same
6*6*48	conv3 relu3	3*3*64	2	Same
3*3*64

Onet

Feature size	name	Kernel size	Stride	Padding
48*48*3	conv1 relu1	3*3*32	1	Same
48*48*32	conv2 relu2	3*3*32	2	Same
24*24*32	conv3 relu3	3*3*64	1	Same
24*24*64	conv4_ relu4_	3*3*64	2	Same
12*12*64	conv5_ relu5_	3*3*128	2	Same
6*6*128	conv6_ relu6_	3*3*128	2	Same
3*3*128

三、c代码端结构的更改

3.1 函数的定义

在network.cpp之中

void relu(struct pBox *pbox, mydataFmt *pbias){
    if (pbox->pdata == NULL){
        cout << "the  Relu feature is NULL!!" << endl;
        return;
    }
    if (pbias == NULL){
        cout << "the  Relu bias is NULL!!" << endl;
        return;
    }
    mydataFmt *op = pbox->pdata;
    mydataFmt *pb = pbias;

    long dis = pbox->width*pbox->height;
    for(int channel =0;channelchannel; channel++){
        for(int col=0; colpdata == NULL){
        cout << "the  Relu feature is NULL!!" << endl;
        return;
    }
    if (pbias == NULL){
        cout << "the  Relu bias is NULL!!" << endl;
        return;
    }
    mydataFmt *op = pbox->pdata;
    mydataFmt *pb = pbias;
    mydataFmt *pg = prelu_gmma;

    long dis = pbox->width*pbox->height;
    for(int channel =0;channelchannel; channel++){
        for(int col=0; col0)?(*op):((*op)*(*pg));
            op++;
        }
        pb++;
        pg++;
    }
}

3.2 网络的更改

因为relu直接将值进行了替换，所以不存在开辟内存空间的问题，只有运算，并且维度一样，可以直接将prelu函数换位relu函数。