python - 如何将经过训练的卷积网络(CNN)转换为检测器？

Question

我是计算机视觉和机器学习领域的新手。在退出 Python 和 TensorFlow 几周后，我有一些问题。

如何转换经过训练的卷积网络(CNN)以将其用作检测器？ (获取热图)

例如:

我们有

经过训练的 MNIST 模型

MODEL = [无，28**2] > [CONV3+POOL] > [CONV3+POOL] > [DENSELAYER] > [无，10]

我想要:

[无，宽度] > [型号] > [无，宽，高，10]

我读到，要做到这一点，有必要将 [DENSELAYER] 转换为卷积。我说得对吗？

提前感谢您的帮助，并对我的英语感到抱歉:)旧代码如下所示:

    with tf.name_scope('dense_layer'):
        dense1 = tf.reshape(conv2, [-1, _weights['wd1'].get_shape().as_list()[0]])
        dense1 = tf.nn.relu(tf.matmul(dense1, _weights['wd1']) + _biases['bd1'])
        dense1 = tf.nn.dropout(dense1, dropout)
        out = tf.nn.softmax(tf.matmul(dense1, _weights['out']) + _biases['out'])
    return out

我认为第一个全连接层应该是 7x7 卷积，但我不确定如何处理第二个 fc 层(输出层):

    with tf.name_scope('conv_layer_3'):
        # ?????
        wc3 = tf.reshape(_weights['wd1'], [7, 7, w2, d1])
        conv3 = conv2d_valid(conv2, wc3, _biases['bd1'])
    with tf.name_scope('conv_layer_4'):
        # ???
    return out

Answer 1

是的。将第一个 FC 层 reshape 为 7x7 就是您想要的。 对于输出层，您正在寻找的是 1x1 convolution ，它基本上在每个像素上运行完全连接的输出层。

wc4 = tf.reshape(_weights['out'], [1, 1, d1, out])
conv4 = conv2d_valid(conv3, wc4, _biases['out'])