问题标签 [resnet]

测试从 InceptionV3 和 ResNet50 预训练模型（使用 keras 加 tensorflow）中提取的特征，每个模型都为简单的图像相似性给出了不同的（实际上是非常不同的）结果。

提取的特征按原样使用并归一化，但结果是相同的。

有谁知道为什么？

我正在尝试使用 ResNet50() 模型的卷积部分，如下所示：

模型摘要很长，但最后一部分显示输出的形状应为 (None, 2048)。

所以我假设如果我在这个模型中加入 200 张图像，我应该有一个形状为 (200, 2048) 的输出。我对么？

但事实上，有 200 张图像，我得到了形状为 (800, 2048) 的输出。我想知道为什么会这样。

我检查了另一个主题，但这里似乎是一个不同的问题。请帮助！顺便说一句，这是在 Keras 2 中完成的。

更新：

我意识到，如果我设置batch_size=4，我得到 (800, 2048) 输出和 200 张图像输入，如果我改变batch_size=2，我得到 (400, 2018) 输出和相同的 200 张图像输入。这是batch_size设置的工作原理吗？我应该使用batch_size=1吗？我以为 batch_size 是一次输入模型的图片数量，不管是什么batch_size，图片总数应该是 200，对吧？例如，如果为 4，则将 50 个批次输入模型，如果为 2，则将 100 个批次输入模型。

我使用 mxnet 通过微调 resnet50 来进行图像回归（4 个标签）。

1. 我在符号中用 LinearRegressionOutput 更改了 SoftmaxOutput
2. 我将图像标签更改为数字
3. 我使用 metric=mx.metric.MSE() 而不是训练 acc。

所以符号就像在最后一层。

但是当我运行代码时，我遇到了 simple_bind 之类的错误。

simple_bind 错误。参数： lro_label: (36,) data: (36, 3, 227, 227) Traceback (最近一次调用最后一次): File "finetune.py", line 59, in for_training=True) File "/usr/local/lib /python2.7/dist-packages/mxnet-0.10.1-py2.7.egg/mxnet/module/module.py”，第 388 行，在绑定 state_names=self._state_names) 文件“/usr/local/lib/ python2.7/dist-packages/mxnet-0.10.1-py2.7.egg/mxnet/module/executor_group.py”，第 214 行，在 init self.bind_exec(data_shapes, label_shapes, shared_group) 文件“/usr/local /lib/python2.7/dist-packages/mxnet-0.10.1-py2.7.egg/mxnet/module/executor_group.py”，第 310 行，在 bind_exec shared_group)) 文件“/usr/local/lib/python2 .7/dist-packages/mxnet-0.10.1-py2.7.egg/mxnet/module/executor_group.py"，第 582 行，在 _bind_ith_exec shared_buffer=shared_data_arrays, **input_shapes) 文件中"

似乎错误发生在

输入输出不一样，但是我用softmax的时候就没有这个问题了。发生了什么？

我正在使用 Caffe 的 ResNet-50 对图像进行分类。我可以使用 ResNet-50_model.caffemodel 对其进行微调，我设置的初始学习率为 0.001，但每 500 次迭代后的学习率除以 10 而不是减少 0.00005。

这是我的 resnet_solver.prototxt

这是训练截图：（iter 100 lr = 0.001，iter 500 lr = 0.0001，iter 1000 lr = 1e-05，依此类推）

这是我第一次训练 ResNet。如果您有任何建议，请告诉我。非常感谢！

我正在使用最近发布的用于对象检测的 Tensorflow API，在我自己的数据集上使用 Resnet 101 上的 Faster RCNN。它似乎在验证数据上进行训练和评估，但我希望是否有一种方法可以获取/存储 Eval 集中所有图像的边界框，在一个文件中，或者在源代码中获取我所在的位置可以得到带有图像名称的预测边界框。

据我了解，全连接层（简称fc）用于预测。

例如，VGG Net 使用了 2 个 fc 层，它们都是 4096 维。softmax 的最后一层具有与类 num:1000 相同的维度。

但是对于 resnet，它使用了全局平均池化，并使用最后一个卷积层的池化结果作为输入。

但他们仍然有一个 fc 层！这层真的是fc层吗？或者这一层只是将输入输入到一个特征向量中，其中数字是类数？该层是否具有预测结果的功能？

一句话，resnet和VGGnet有多少个fc层？VGGnet 的 1st 2nd 3rd fc 层有不同的功能吗？

我首先看到了 luatorch[cpuType]中的用法，例如 fb.resnest.torch 的文件dataloader.lua：

我没有找到任何语法解释。怎么理解？

PS：cpuType是在文件中定义的self.cpuType，我猜是 .

更新：根据我的测试，torch['FloatTensor']相当于torch.FloatTensor.

我在 Python 3.6 版上使用 Keras 2.0.5 版和 theano 作为后端。
我正在尝试通过使用ResNet50模型来实现迁移学习，并使用了以下示例中给出的代码：https://keras.io/applications/将以 下行添加到代码中使 python 停止工作：

我已尝试按照其他链接中的建议更改模型定义：

但这给了我另一个错误：

ValueError：输入必须有3个通道；得到 `input_shape=(3, 224, 224)

代码如下：

我的 theano 配置文件：（theanorc）

我的 keras 配置文件：（keras.json）：

我首先使用以下方法在我的数据集上冻结了 ResNet-50 层：

然后我尝试使用以下方法对未冻结的层进行微调：

但是我不知从哪里得到了这个错误。我只是解冻网络并没有改变任何东西！

而且不一致。大多数时候我都会得到不同的形状。为什么会这样？如果我只是将 ResNet 更改为 VGG19，这不会发生。Keras 中的 ResNet 有问题吗？

我正在使用带有 ResNet101 Faster R-CNN 的教程训练牛津数据集。

我正在使用 1 个 GPU 不使用 Google Cloud 的本地机器上运行训练。

我的问题是我可以知道最大迭代次数是多少吗？

我的脚步已经超过1300万了，还没有停下来。

原始更快的 r-cnn 可以在这里定义最大迭代大小 https://github.com/rbgirshick/py-faster-rcnn/blob/master/tools/train_faster_rcnn_alt_opt.py#L80

，但我不确定 TensorFlow 对象检测 API。

除了 input_path 和 fine_tune_checkpoint（我使用 COCO 预训练数据和 ResNet）之外，我没有更改任何参数。

我认为最大迭代将在配置文件 https://github.com/tensorflow/models/blob/master/object_detection/samples/configs/faster_rcnn_resnet101_pets.config#L100中，但它似乎只在特定步骤后定义学习率.