想要真的了解深度學(xué)習(xí)，除了看視頻，拿數(shù)據(jù)和算力真槍實(shí)彈的練手可能比各種理論知識(shí)更重要。

編程基礎(chǔ)不好？不會(huì)配置環(huán)境？本地GPU太貴配置太低？訓(xùn)練速度達(dá)不到要求？這些可能都是阻礙你搭建第一個(gè)神經(jīng)網(wǎng)絡(luò)的原因。

谷歌開發(fā)者博客的Codelabs項(xiàng)目上面給出了一份教程（課程鏈接在文末），不只是教你搭建神經(jīng)網(wǎng)絡(luò)，還給出四個(gè)實(shí)驗(yàn)案例，手把手教你如何使用keras、TPU、Colab。

這個(gè)練手指南被成為“僅會(huì)一點(diǎn)點(diǎn)python也能看懂”，也就是說，基礎(chǔ)再薄弱都可以直接了解哦。

（連python都不會(huì)的同學(xué)，文摘菌前幾天發(fā)布了一個(gè)100python計(jì)劃，可以先行學(xué)習(xí)了再來跟著這篇文章搭建神經(jīng)網(wǎng)絡(luò)。）

四次實(shí)驗(yàn)均在谷歌的Collab上運(yùn)行，由淺入深、循序漸進(jìn)。無需進(jìn)行任何設(shè)置，可以用Chromebook打開，實(shí)驗(yàn)環(huán)境都幫你搭建好了。

跟著文摘菌一起，是時(shí)候搭建一個(gè)屬于自己的神經(jīng)網(wǎng)絡(luò)了！

快速開啟！

四次實(shí)驗(yàn)均選擇TPU支持，這會(huì)使代碼運(yùn)行速度大大加快，畢竟用了硬件加速。

先教會(huì)你如何在Tensorflow框架下快速加載數(shù)據(jù)，然后介紹一些tf.data.Dataset的基礎(chǔ)知識(shí)，包括eager模式以及元組數(shù)據(jù)集等。

第二部分，手把手教你實(shí)現(xiàn)遷移學(xué)習(xí)，把別人訓(xùn)練好的模型拿過來直接使用，不用一步一步搭建也能使用強(qiáng)大的神經(jīng)網(wǎng)絡(luò)。除了遷移學(xué)習(xí)，在這部分還會(huì)簡單介紹一些必要的知識(shí)點(diǎn)，包括神經(jīng)元、激活函數(shù)等。

第三部分，進(jìn)入卷積神經(jīng)網(wǎng)絡(luò)部分，在了解卷積層、池化層、Dense層卷積網(wǎng)絡(luò)三個(gè)必要的組件之后，你將學(xué)會(huì)使用Keras Sequential模型構(gòu)建卷積圖像分類器，并使用良好的卷積層選擇來微調(diào)模型。

第四部分，進(jìn)入到更加前沿的部分，在接受了前面三個(gè)部分的洗禮之后，在這部分你會(huì)實(shí)現(xiàn)在Keras中利用TPU組建現(xiàn)代卷積網(wǎng)絡(luò)和實(shí)現(xiàn)分類。

和在Jupyter Notebook操作方式一樣，同時(shí)按住鍵盤的Shift和enter按鈕，便可以運(yùn)行代碼。

如果你是首次執(zhí)行，需要登錄Google帳戶進(jìn)行身份驗(yàn)證。注意頁面提醒就可以啦~

此notebook支持目錄功能，點(diǎn)擊網(wǎng)頁左側(cè)的黑色箭頭可以查看。

利用Colab上的TPU訓(xùn)練Keras模型需要輸入以下代碼?

tpu = tf.contrib.cluster_resolver.TPUClusterResolver(TPU_ADDRESS)strategy = tf.contrib.tpu.TPUDistributionStrategy(tpu)tpu_model = tf.contrib.tpu.keras_to_tpu_model(model, strategy=strategy)tpu_model.fit(get_training_dataset, steps_per_epoch=TRAIN_STEPS, epochs=EPOCHS, validation_data=get_validation_dataset, validation_steps=VALID_STEPS)

本質(zhì)上是在keras中調(diào)用keras_to_tpu_model，部署額外的硬件可以通過增加訓(xùn)練批次的大小增加訓(xùn)練過程。需要注意的是目前，Keras支持僅限于8個(gè)核心或一個(gè)Cloud TPU。

注：TPU可以在神經(jīng)網(wǎng)絡(luò)運(yùn)算上達(dá)到高計(jì)算吞吐量，同時(shí)能耗和物理空間都很小。因?yàn)門PU從內(nèi)存加載數(shù)據(jù)。當(dāng)每個(gè)乘法被執(zhí)行后，其結(jié)果將被傳遞到下一個(gè)乘法器，同時(shí)執(zhí)行加法。因此結(jié)果將是所有數(shù)據(jù)和參數(shù)乘積的和。在大量計(jì)算和數(shù)據(jù)傳遞的整個(gè)過程中，不需要執(zhí)行任何的內(nèi)存訪問。

介紹完基本的操作，接下來，文摘菌帶大家看看官方給出的四個(gè)實(shí)驗(yàn)。

Tensorflow入門:tfrecords和tf.data

此實(shí)驗(yàn)涉及兩個(gè)tf的基礎(chǔ)操作，一個(gè)是使用tf.data.Dataset API導(dǎo)入訓(xùn)練數(shù)據(jù)，另一個(gè)是使用TFRecord格式從GCS有效導(dǎo)入訓(xùn)練數(shù)據(jù)。

此次實(shí)驗(yàn)使用花卉圖片的數(shù)據(jù)集，學(xué)習(xí)的目標(biāo)是將其分為5種類別。使用tf.data.Dataset API執(zhí)行數(shù)據(jù)加載。

Keras和Tensorflow在其所有訓(xùn)練和評(píng)估功能中接受數(shù)據(jù)集。在數(shù)據(jù)集中加載數(shù)據(jù)后，API會(huì)提供對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)有用的所有常用功能：

dataset = ... # load something (see below)dataset = dataset.shuffle(1000) # shuffle the dataset with a buffer of 1000dataset = dataset.cache() # cache the dataset in RAM or on diskdataset = dataset.repeat() # repeat the dataset indefinitelydataset = dataset.batch(128) # batch data elements together in batches of 128dataset = dataset.prefetch(-1) # prefetch next batch(es) while training

了解API并試著運(yùn)行：

https://colab.research.google.com/github/GoogleCloudPlatform/training-data-analyst/blob/master/courses/fast-and-lean-data-science/02_Dataset_playground.ipynb

關(guān)于鮮花數(shù)據(jù)集，數(shù)據(jù)集按5個(gè)文件夾組織，每個(gè)文件夾都包含一種花。文件夾名為向日葵，雛菊，蒲公英，郁金香和玫瑰。數(shù)據(jù)托管在Google云端存儲(chǔ)上的公共存儲(chǔ)區(qū)中。

gs://flowers-public/sunflowers/5139971615_434ff8ed8b_n.jpggs://flowers-public/daisy/8094774544_35465c1c64.jpggs://flowers-public/sunflowers/9309473873_9d62b9082e.jpggs://flowers-public/dandelion/19551343954_83bb52f310_m.jpggs://flowers-public/dandelion/14199664556_188b37e51e.jpggs://flowers-public/tulips/4290566894_c7f061583d_m.jpggs://flowers-public/roses/3065719996_c16ecd5551.jpggs://flowers-public/dandelion/8168031302_6e36f39d87.jpggs://flowers-public/sunflowers/9564240106_0577e919da_n.jpggs://flowers-public/daisy/14167543177_cd36b54ac6_n.jpg

tf.data.Dataset基礎(chǔ)知識(shí)

數(shù)據(jù)通常包含多個(gè)文件，此處為圖像，通過調(diào)用以下方法創(chuàng)建文件名數(shù)據(jù)集：

filenames_dataset = tf.data.Dataset.list_files('gs://flowers-public/*/*.jpg')# The parameter is a "glob" pattern that supports the * and ? wildcards.

然后，將函數(shù)“映射”到每個(gè)文件名，這些文件通常導(dǎo)入文件并解碼為內(nèi)存中的實(shí)際數(shù)據(jù)：

def decode_jpeg(filename): bits = tf.read_file(filename) image = tf.image.decode_jpeg(bits) return imageimage_dataset = filenames_dataset.map(decode_jpeg)# this is now a dataset of decoded images (uint8 RGB format)

有關(guān)tf.data.Dataset的基礎(chǔ)知識(shí)、tf.data.Dataset和eager模式、元組數(shù)據(jù)集的詳細(xì)步驟，請戳：

https://codelabs.developers.google.com/codelabs/keras-flowers-data/#3

但逐個(gè)加載圖像很慢，在迭代此數(shù)據(jù)集時(shí)，每秒只可以加載1-2個(gè)圖像。我們將用訓(xùn)練的硬件加速器，可以將速率提高很多倍。

快速加載數(shù)據(jù)

我們將在本實(shí)驗(yàn)中使用的Tensor Processing Unit（TPU）硬件加速器。Google云端存儲(chǔ)（GCS）能夠保持極高的吞吐量，但與所有云存儲(chǔ)系統(tǒng)一樣，形成連接時(shí)需要來回請求。因此，將數(shù)據(jù)存儲(chǔ)為數(shù)千個(gè)單獨(dú)的文件并不理想。我們將在少量文件中批量處理它們，并使用tf.data.Dataset的強(qiáng)大功能一次性讀取多個(gè)文件。

通過加載圖像文件的代碼將它們調(diào)整為通用大小，然后將它們存儲(chǔ)在16個(gè)TFRecord文件中，代碼鏈接如下：

https://colab.research.google.com/github/GoogleCloudPlatform/training-data-analyst/blob/master/courses/fast-and-lean-data-science/03_Flower_pictures_to_TFRecords.ipynb

經(jīng)驗(yàn)法則是將數(shù)據(jù)分成幾個(gè)（10s到100s）的大文件（10s到100s的MB）。如果有太多文件，例如數(shù)千個(gè)文件，那么訪問每個(gè)文件的時(shí)間可能會(huì)開始妨礙。如果文件太少，例如一兩個(gè)文件，那么就無法并行獲取多個(gè)文件的優(yōu)勢。

TFRecord文件格式

Tensorflow用于存儲(chǔ)數(shù)據(jù)的首選文件格式是基于protobuf的TFRecord格式。其他序列化格式也可以使用，可以通過以下方式直接從TFRecord文件加載數(shù)據(jù)集：

filenames_dataset = tf.data.Dataset.list_files（FILENAME_PATTERN）tfrecords_dataset = tf.data.TFRecordDataset（filenames，num_parallel_reads = 32）

但你擁有TFRecords的數(shù)據(jù)集時(shí)，下一步解碼步驟就是從每個(gè)記錄中獲得數(shù)據(jù)。如前所述，你將使用Dataset.map，并注意num_parallel_reads=32參數(shù)。這將從32個(gè)TFRecord文件并行加載數(shù)據(jù)，可以獲得最佳性能。

在Keras中利用遷移學(xué)習(xí)

本次實(shí)驗(yàn)在keras中實(shí)現(xiàn)遷移學(xué)習(xí)，將強(qiáng)大的預(yù)訓(xùn)練模型應(yīng)用于我們的數(shù)據(jù)集，不用費(fèi)力重新訓(xùn)練模型。此外，本實(shí)驗(yàn)包含有關(guān)神經(jīng)網(wǎng)絡(luò)的必要理論解釋。

神經(jīng)網(wǎng)絡(luò)分類器是由幾個(gè)層的神經(jīng)元組成。對(duì)于圖像分類，這些可以是Dense層，或者更常見的是卷積層。它們通常通過relu激活函數(shù)激活。最后一層使用與類相同數(shù)量的神經(jīng)元，并使用softmax激活。對(duì)于分類，交叉熵是最常用的損失函數(shù)，將獨(dú)熱編碼標(biāo)簽（即正確答案）與神經(jīng)網(wǎng)絡(luò)預(yù)測的概率進(jìn)行比較。例如，為了最大限度地減少損失，最好選擇具有動(dòng)量的優(yōu)化器AdamOptimizer并批量訓(xùn)練圖像和標(biāo)簽。

對(duì)于構(gòu)建為層序列的模型，Keras提供了Sequential API。例如，使用三個(gè)Dense層的圖像分類器可以在Keras中編寫為：

model = tf.keras.Sequential([ tf.keras.layers.Flatten(input_shape=[192, 192, 3]), tf.keras.layers.Dense(500, activation="relu"), tf.keras.layers.Dense(50, activation="relu"), tf.keras.layers.Dense(5, activation='softmax') # classifying into 5 classes])# this configures the training of the model. Keras calls it "compiling" the model.model.compile( optimizer='adam', loss= 'categorical_crossentropy', metrics=['accuracy']) # % of correct answers# train the modelmodel.fit(dataset, ... )

Dense神經(jīng)網(wǎng)絡(luò)

這是用于分類圖像的最簡單的神經(jīng)網(wǎng)絡(luò)。它由分層排列的“神經(jīng)元”組成。第一層處理輸入數(shù)據(jù)并將其輸出饋送到其他層。之所以被稱為“Dense”是因?yàn)槊總€(gè)神經(jīng)元都連接到前一層中的所有神經(jīng)元。

你可以將圖像的所有像素的RGB值展開為長矢量并將其用作輸入，從而將圖像輸入到此類網(wǎng)絡(luò)中。它不是圖像識(shí)別的最佳技術(shù)，但我們稍后會(huì)對(duì)其進(jìn)行改進(jìn)。

神經(jīng)元

“神經(jīng)元”計(jì)算其所有輸入的并進(jìn)行加權(quán)求和，添加一個(gè)稱為“偏差”的值，并通過所謂的“激活函數(shù)”提供結(jié)果。權(quán)重和偏差最初是未知的。它們將被隨機(jī)初始化并通過在許多已知數(shù)據(jù)上訓(xùn)練神經(jīng)網(wǎng)絡(luò)來“學(xué)習(xí)”。

最流行的激活函數(shù)被稱為RELU（Rectified Linear Unit）如上圖所示。

Softmax激活

我們將花分為5類（玫瑰，郁金香，蒲公英，雛菊，向日葵），使用經(jīng)典RELU激活函數(shù)。然而，在最后一層，我們想要計(jì)算0到1之間的數(shù)字，表示這朵花是玫瑰，郁金香等的概率。為此，我們將使用名為“softmax”的激活函數(shù)。

在矢量上應(yīng)用softmax函數(shù)是通過取每個(gè)元素的指數(shù)然后歸一化矢量來完成的，通常使用L1范數(shù)（絕對(duì)值之和），使得這些值加起來可以解釋為概率。

對(duì)于圖像分類問題，Dense層可能是不夠的。但我們也可以另辟蹊徑！有完整的卷積神經(jīng)網(wǎng)絡(luò)可供下載。我們可以切掉它們的最后一層softmax分類，并用下載的替換它。所有訓(xùn)練過的權(quán)重和偏差保持不變，你只需重新訓(xùn)練你添加的softmax層。這種技術(shù)被稱為遷移學(xué)習(xí)，只要預(yù)先訓(xùn)練神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)集與你的“足夠接近”，它就可以工作。

請打開下面的notebook，同時(shí)按住Shift-ENTER運(yùn)行代碼：

https://codelabs.developers.google.com/codelabs/keras-flowers-convnets/#0

插圖：使用已經(jīng)訓(xùn)練過的復(fù)雜卷積神經(jīng)網(wǎng)絡(luò)作為黑匣子，僅對(duì)分類的最后一層進(jìn)行再訓(xùn)練。這是遷移學(xué)習(xí)。

通過遷移學(xué)習(xí)，你可以從頂級(jí)研究人員已經(jīng)開發(fā)的高級(jí)卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)和大量圖像數(shù)據(jù)集的預(yù)訓(xùn)練中受益。在我們的案例中，我們將從ImageNet訓(xùn)練的網(wǎng)絡(luò)遷移學(xué)習(xí)。

在Keras中，可以從tf.keras.applications.*集合中實(shí)例化預(yù)先訓(xùn)練的模型。例如，MobileNet V2是一個(gè)非常好的卷積架構(gòu)，其尺寸合理。通過選擇include_top=False，你可以獲得沒有最終softmax圖層的預(yù)訓(xùn)練模型，以便你可以添加自己的模型：

pretrained_model = tf.keras.applications.MobileNetV2(input_shape=[*IMAGE_SIZE, 3], include_top=False)pretrained_model.trainable = Falsemodel = tf.keras.Sequential([ pretrained_model, tf.keras.layers.Flatten(), tf.keras.layers.Dense(5, activation='softmax')])

另請注意pretrained_model.trainable = False設(shè)置。它凍結(jié)了預(yù)訓(xùn)練模型的權(quán)重和偏差，因此你只能訓(xùn)練softmax圖層。這通常針對(duì)相對(duì)較少的權(quán)重并且可以快速完成而無需非常大的數(shù)據(jù)集。但是，如果你確實(shí)擁有大量數(shù)據(jù)，那么pretrained_model.trainable = True可以讓遷移學(xué)習(xí)更好地工作。然后，經(jīng)過預(yù)先訓(xùn)練的權(quán)重可提供出色的初始值，并且仍可通過訓(xùn)練進(jìn)行調(diào)整，以更好地適應(yīng)你的問題。

最后，請注意在dense softmax層前插入Flatten（）層。Dense層對(duì)數(shù)據(jù)的平面向量起作用，但我們不知道這是否是預(yù)訓(xùn)練模型返回的內(nèi)容，這就是我們需要扁平化的原因。在下一章中，當(dāng)我們深入研究卷積體系結(jié)構(gòu)時(shí)，我們將解釋卷積層返回的數(shù)據(jù)格式。

在Keras中利用TPU組建卷積神經(jīng)網(wǎng)絡(luò)

本次實(shí)驗(yàn)，完成三個(gè)目標(biāo)：

使用Keras Sequential模型構(gòu)建卷積圖像分類器。

在TPU上訓(xùn)練Keras模型

使用良好的卷積層選擇來微調(diào)模型。

卷積將神經(jīng)網(wǎng)絡(luò)將一系列濾波器應(yīng)用于圖像的原始像素?cái)?shù)據(jù)以提取和學(xué)習(xí)更高級(jí)別的特征，使得該模型能夠?qū)⑦@些特征用于分類。卷積將神經(jīng)網(wǎng)絡(luò)包含三個(gè)組件：

卷積層，將特定數(shù)量的卷積濾鏡（convolution filters）應(yīng)用于圖像。對(duì)于每個(gè)子區(qū)域，圖層執(zhí)行一組數(shù)學(xué)運(yùn)算以在輸出特征映射中生成單個(gè)值。

池化層（Pooling layers），負(fù)責(zé)對(duì)由卷積層提取的圖像數(shù)據(jù)進(jìn)行下采樣以減少特征映射的維度以提高處理效率。常用的池化算法是最大池化，其提取特征地圖的子區(qū)域（例如，2×2像素的塊），保持它們的最大值并丟棄所有其他值。

Dense層，對(duì)由卷積圖層提取的特征并由共用圖層進(jìn)行下采樣執(zhí)行分類。Dense層是全連接的神經(jīng)網(wǎng)絡(luò)，在Dense層中，圖層中的每個(gè)節(jié)點(diǎn)都連接到前一圖層中的每個(gè)節(jié)點(diǎn)。

用最大池化做卷積的動(dòng)畫示例如下?

用Softmax激活函數(shù)連接分類器，典型的卷積分類器如下?

在keras中搭建神經(jīng)網(wǎng)絡(luò)代碼如下：

model = tf.keras.Sequential([ # input: images of size 192x192x3 pixels (the three stands for RGB channels) tf.keras.layers.Conv2D(kernel_size=3, filters=24, padding='same', activation='relu', input_shape=[192, 192, 3]), tf.keras.layers.Conv2D(kernel_size=3, filters=24, padding='same', activation='relu'), tf.keras.layers.MaxPooling2D(pool_size=2), tf.keras.layers.Conv2D(kernel_size=3, filters=12, padding='same', activation='relu'), tf.keras.layers.MaxPooling2D(pool_size=2), tf.keras.layers.Conv2D(kernel_size=3, filters=6, padding='same', activation='relu'), tf.keras.layers.Flatten(), # classifying into 5 categories tf.keras.layers.Dense(5, activation='softmax')])model.compile( optimizer='adam', loss= 'categorical_crossentropy', metrics=['accuracy'])

在搭建的過程中，必須在權(quán)重和偏差之間找到適當(dāng)?shù)钠胶恻c(diǎn)，如果權(quán)重太大，神經(jīng)網(wǎng)絡(luò)可能無法代表復(fù)雜性，如果參數(shù)太多，可能導(dǎo)致過擬合。所以在在Keras中，用model.summary()函數(shù)顯示模型的結(jié)構(gòu)和參數(shù)：

具體代碼地址：

https://colab.research.google.com/github/GoogleCloudPlatform/training-data-analyst/blob/master/courses/fast-and-lean-data-science/07_Keras_Flowers_TPU_playground.ipynb

在Keras中利用TPU組建現(xiàn)代卷積網(wǎng)絡(luò)和實(shí)現(xiàn)分類

之前三個(gè)實(shí)驗(yàn)已經(jīng)分別介紹了TPU、遷移學(xué)習(xí)和卷積網(wǎng)絡(luò)，是不是已經(jīng)覺得很厲害了？別著急，最后的大招來了，本次實(shí)驗(yàn)我們將實(shí)現(xiàn)在Keras中利用TPU組建現(xiàn)代卷積網(wǎng)絡(luò)和實(shí)現(xiàn)分類。

現(xiàn)代卷積架構(gòu)（Modern convolutions networks）

簡而言之，從"Inception" 和 "Inception v2"開始的現(xiàn)代卷積網(wǎng)絡(luò)通常使用“模塊”，其中在同一輸入上同時(shí)嘗試不同的卷積層，它們的輸出被連接并且網(wǎng)絡(luò)通過訓(xùn)練決定哪個(gè)層是最有用的。

在Keras中，要?jiǎng)?chuàng)建數(shù)據(jù)流可以分支進(jìn)出的模型，必須使用“functional”模型。這是一個(gè)例子：

l = tf.keras.layers # syntax shortcuty = l.Conv2D(filters=32, kernel_size=3, padding='same', activation='relu', input_shape=[192, 192, 3])(x) # x=input image# module start: branch outy1 = l.Conv2D(filters=32, kernel_size=1, padding='same', activation='relu')(y)y3 = l.Conv2D(filters=32, kernel_size=3, padding='same', activation='relu')(y)y = l.concatenate([y1, y3]) # output now has 64 channels# module end: concatenation# many more layers ...# Create the model by specifying the input and output tensors.# Keras layers track their connections automatically so that's all that's needed.z = l.Dense(5, activation='softmax')(y)model = tf.keras.Model(x, z)

其他小技巧

小型3x3濾波器

在此圖中，你可以看到兩個(gè)連續(xù)3x3濾波器的結(jié)果。嘗試追溯哪些數(shù)據(jù)點(diǎn)對(duì)結(jié)果有貢獻(xiàn)：這兩個(gè)連續(xù)的3x3濾波器計(jì)算5x5區(qū)域的某種組合。它與5x5濾波器計(jì)算的組合并不完全相同，但值得嘗試，因?yàn)閮蓚€(gè)連續(xù)的3x3濾波器比單個(gè)5x5濾波器效率更高。

1x1卷積？

在數(shù)學(xué)術(shù)語中，“1x1”卷積是常數(shù)的乘法，而不是非常有用的概念。但是，在卷積神經(jīng)網(wǎng)絡(luò)中，請記住濾波器應(yīng)用于數(shù)據(jù)立方體，而不僅僅是2D圖像。因此，“1x1”濾波器計(jì)算1x1數(shù)據(jù)列的加權(quán)和（參見圖示），當(dāng)你在數(shù)據(jù)中滑動(dòng)時(shí)，你將獲得輸入通道的線性組合。這實(shí)際上很有用。如果你將通道視為單個(gè)過濾操作的結(jié)果，例如“貓耳朵”的過濾器，另一個(gè)用于“貓胡須”，第三個(gè)用于“貓眼睛”，則“1x1”卷積層將計(jì)算多個(gè)這些特征的可能線性組合，在尋找“貓”時(shí)可能很有用。

Squeezenet

將這些想法融合在一起的簡單方法已在“Squeezenet”論文中展示,即一種僅使用1x1和3x3卷積層的卷積模塊設(shè)計(jì)。

https://arxiv.org/abs/1602.07360

基于“fire model”的squeezenet架構(gòu)。它們交替使用1x1層，在垂直維度上“擠壓”輸入數(shù)據(jù)，然后是兩個(gè)并行的1x1和3x3卷積層，再次“擴(kuò)展”數(shù)據(jù)深度。

構(gòu)建一個(gè)受squeezenet啟發(fā)的卷積神經(jīng)網(wǎng)絡(luò)時(shí)，我們就不能直接像上面一樣直接堆疊已有模塊，需要將模型代碼更改為Keras的“功能樣式”，來定義自己的模塊。

想要嘗試Squeezenet架構(gòu)練習(xí)的戳以下鏈接：

https://codelabs.developers.google.com/codelabs/keras-flowers-squeezenet/#6

最后，手把手教程運(yùn)行代碼如下：

https://colab.research.google.com/github/GoogleCloudPlatform/training-data-analyst/blob/master/courses/fast-and-lean-data-science/07_Keras_Flowers_TPU_playground.ipynb

最后，文摘菌再次給出四個(gè)實(shí)驗(yàn)的鏈接，供參考喲~

https://codelabs.developers.google.com/codelabs/keras-flowers-data/#2

https://codelabs.developers.google.com/codelabs/keras-flowers-transfer-learning/#2

https://codelabs.developers.google.com/codelabs/keras-flowers-convnets/#0

https://codelabs.developers.google.com/codelabs/keras-flowers-squeezenet/#0

此項(xiàng)目支持答疑，打開下列網(wǎng)址提交你的問題

https://colab.research.google.com/github/GoogleCloudPlatform/training-data-analyst/blob/master/courses/fast-and-lean-data-science/07_Keras_Flowers_TPU_squeezenet.ipynb