问题标签 [efficientnet]

我正在尝试删除高效网络-pytorch 实现中的顶层。但是，如果我只是用我自己的全连接层替换最后_fc一层，正如作者在这个 github 评论中所建议的那样，我担心swish即使在这一层之后仍然有激活，而不是像我预期的那样没有任何东西。当我打印模型时，最后几行如下：

_fc我的替换模块在哪里。

我希望做的是：

在我看来base_model.children()，从嵌套结构中将模型展平。但是，现在我似乎无法像使用虚拟输入一样使用模型，x=torch.randn(1,3,255,255)我收到错误：TypeError: forward() takes 1 positional argument but 2 were given.

应该注意的是，model[:2](x)有效，但不是model[:3](x)。model[2]似乎是移动块。

这是一个带有上述代码的colab 笔记本。

我有一个使用 EfficientNetB6 训练的 CNN 模型。我的任务是通过移除最后一个密集层来提取这个训练模型的特征，然后使用这些权重来训练一个提升模型。我之前使用 Pytorch 做到了这一点，并且能够从我感兴趣的层中提取权重，并在我的验证集上进行预测，然后进行提升。

我现在在张量流中这样做，但目前卡住了。下面是我的模型结构，我尝试使用网站上的代码，但没有任何运气。

我想删除最后一个密集层并使用剩余层预测验证集。

我尝试使用：

layer_name = 'efficientnet-b6' intermediate_layer_model = tf.keras.Model(inputs = model.input, outputs = model.get_layer(layer_name).output)

但我收到错误“ValueError: Graph disconnected: cannot get value for tensor Tensor("input_1:0", shape=(None, 760, 760, 3), dtype=float32) at layer "input_1". 以下之前的图层访问没有问题：[]”

有什么办法可以解决这个问题？

我目前正在使用 AWS SageMaker Python SDK为我的数据训练 EfficientNet 模型 ( https://github.com/qubvel/efficientnet )。具体来说，我使用 TensorFlow 估计器，如下所示。此代码在 SageMaker 笔记本实例中

train.py 的代码包含通常的训练过程，从 S3 获取图像和标签，将它们转换为 EfficientNet 输入的正确数组形状，然后拆分为训练集、验证集和测试集。为了获得可重现的结果，我在调用 EfficientNet 模型本身之前使用以下 reset_random_seeds 函数（如果 Keras 结果不可重现，比较模型和选择超参数的最佳做法是什么？ ）。

但是，每次我运行笔记本实例时，我总是得到与上次运行不同的结果。当我将 train_instance_type 切换为“local”时，每次运行笔记本时总是得到相同的结果。因此，是否是我选择的训练实例类型导致的不可重现的结果？此实例 (ml.m5.xlarge) 有 4 个 vCPU、16 个内存 (GiB) 和没有 GPU。如果是这样，如何在这个训练实例下获得可重现的结果？

我正在尝试使用来自https://github.com/qubvel/segmentation_models的 EfficientNet 。

所以，我通过 pip 安装了这个：

然后我尝试导入efficientnet.keras：

并得到这个错误：

这很奇怪，因为它昨天工作没有任何问题，今天在一个笔记本上也是如此，但在其他笔记本上我得到了这个错误。有谁知道该怎么做？

给定groups=1size 的权重[48, 3, 3, 3]，期望输入[5, 128, 129, 4]有 3 个通道，但是却得到了 128 个通道。

这是我的代码：

我不知道如何解决这个问题来预测我的竞争

我使用 TensorFlow 2.3 并测试了所有 EfficientDet 模型。在 TensorFlow github页面上写到，EfficientDet D7 的 mAP 比 NasNet 更高，为 51.5 > 43 Tf1_models。但是在测试数据中，我可以看到 EfficientDet 的准确率确实低于其他模型。为什么 NasNet 在 mAP 较低的情况下比 EfficientDet 准确得多？这里可以看到结果： Nas检测：

高效检测：

我在效率网络中获得预先训练的权重时遇到了一些问题。所以我搜索了efficientnet.hdf5，但找不到它。那么无论如何要获得hdf5格式的预训练权重。感谢你。

我了解到我们可以使用该函数layer.get_weights()来获取层的权重和偏差。这将返回一个长度为 2 的列表。层的权重存储在layer.get_weights()[0]，偏差存储在layer.get_weights()[1]（如果在定义层期间没有禁用偏差）。这对于普通的卷积层是正确的。

我最近使用可分离卷积层作为我在EfficientDet model.

当我尝试使用相同的layer.get_weights()函数时，它返回给我一个length 3我期望它2与上面相同的列表。在此，我对列表中的三个值是什么感到有些困惑。任何帮助和建议将不胜感激。

我正在尝试使用 tensorflow.keras.applications EfficientNetB0 实现一个 hydranet 架构。该架构的目标是将网络分成两部分（第一部分：主干，第二部分：头部）。然后，输入图像应该只提供一次到主干，并且应该存储它的输出。之后，这个输出应该直接馈送到头部（根据要分类的类的数量可以不止一个）。最佳方法：

1. 我不想为每个头重绘整个模型。
2. 主干应该只执行一次。

如果已经查看此论坛帖子：keras-give-input-to-intermediate-layer-and-get-final-output ，但提出的解决方案要么需要重新编码头部，要么不起作用。

我尝试了以下方法：

但是，当我尝试执行此操作时，两种方法都会出现“图形断开错误”：

我知道错误源于提供的张量不是输入张量的问题。这个问题有什么解决办法吗？

我正在尝试运行“mAP_evaluation.py”以对我自己的数据集进行 mAP 评估： https ://github.com/Tessellate-Imaging/Monk_Object_Detection/tree/master/4_efficientdet/lib

但是我认为整个 python 文件只是为 COCO 数据集制作的，但是如果我使用函数 evaluate_coco() 那么我不知道如何自定义我的数据集以匹配该函数。请帮忙。

P/S：我已经训练并导出了 EfficientDet 模型（pth 文件），预测的测试图像/视频，只是不知道如何评估。