删除 conv_net.py

conv_net.py

-from tensorflow.keras import Model
-from tensorflow.keras.layers import Flatten, Conv2D, MaxPool2D, Dense
-
-
-'''
-卷积操作tf.keras.layers.Conv2D
-用到的参数：
-- input_shape；输入数据的维度大小，如3通道64×64的输入图片，要设置为(64, 64, 3)，参数input_shape只需要在第一个网络层设置。
-- filters：输入整数，卷积核个数（等于卷积后输出的通道数）。
-- kernel_size：卷积核的大小，通常为一个正整数或一个列表。
-    例子：kernel_size=3，kernel_size=(3,3)，都表示卷积核宽高方向的大小为3。
-- strides：卷积核的滑动步长，通常为一个正整数或一个列表，列表可以包含2个或4个元素，默认为(1, 1)。
-    例子：strides=2，strides=(2,2)，都表示宽高方向的滑动步长为2。
-- padding：补零设置，可选项为"VALID"、"SAME"。
-    - 如果padding="VALID"，表示不做补零操作。
-    - 如果padding="SAME"，程序会自动补零，使得输出feature map的宽高=ceil(输入图片宽高/strides)，
-      ceil表示向上取整，当strides=1时，输入输出的宽高保持一致。
-- activation：激活函数。
-    可选项：
-    - 'sigmoid'：sigmoid激活函数
-    - 'tanh'：tanh激活函数
-    - 'relu'：relu激活函数
-    - 'elu'或tf.keras.activations.elu(alpha=1.0)：elu激活函数
-    - 'selu'：selu激活函数
-    - 'swish': swish激活函数(tf2.2版本以上才有)
-    - 'softmax': softmax函数
-    - input_shape：如果是第一层卷积，需要设置输入图片的大小(height, width, channel)，如input_shape=(128, 128, 3)。
-    - name：输入字符串，给该层设置一个名称。
-
-池化操作tf.keras.layers.MaxPool2D
-用到的参数：
-- pool_size：池化卷积核的大小，具体设置与tf.keras.layers.Conv2D的kernel_size一样。
-- strides：池化的滑动步长，具体设置与tf.keras.layers.Conv2D的strides一样。
-- name：输入字符串，给该层设置一个名称。
-
-全连接操作tf.keras.layers.Dense
-用到的参数：
-- units：输入整数，全连接层神经元个数。
-- activation：激活函数，分类网络的输出层一般用'softmax'激活函数。
-- name：输入字符串，给该层设置一个名称。
-
-展平操作tf.keras.layers.Flatten
-举例说明：
-[[1,2,3],
- [4,5,6],   ——>   [1,2,3,4,5,6,7,8,9]
- [7,8,9]]
-'''
-
-# 定义一个子类来搭建模型
-#
-class ConvModel(Model):
-
-    def __init__(self):
-        # 父类初始化
-        super(ConvModel, self).__init__()
-
-        # 卷积层conv_1_1
-        self.conv_1_1 = Conv2D(input_shape=(64, 64, 3), filters=32, kernel_size=3,
-                               padding='same', activation='relu', name='conv_1_1')
-
-        # 卷积层conv_1_2
-        self.conv_1_2 = Conv2D(filters=32, kernel_size=3, padding='same',
-                               activation='relu', name='conv_1_2')
-
-        # 池化层max_pool_1
-        self.max_pool_1 = MaxPool2D(pool_size=2, name='max_pool_1')
-
-        # 卷积层conv_2_1
-        self.conv_2_1 = Conv2D(filters=64, kernel_size=3, padding='same',
-                               activation='relu', name='conv_2_1')
-
-        # 卷积层conv_2_2
-        self.conv_2_2 = Conv2D(filters=64, kernel_size=3, padding='same',
-                               activation='relu', name='conv_2_2')
-
-        # 池化层max_pool_2
-        self.max_pool_2 = MaxPool2D(pool_size=2, name='max_pool_2')
-
-        # 卷积层conv_3_1
-        self.conv_3_1 = Conv2D(filters=128, kernel_size=3, padding='same',
-                               activation='relu', name='conv_3_1')
-
-        # 卷积层conv_3_2
-        self.conv_3_2 = Conv2D(filters=128, kernel_size=3, padding='same',
-                               activation='relu', name='conv_3_2')
-
-        # 池化层max_pool_3
-        self.max_pool_3 = MaxPool2D(pool_size=2, name='max_pool_3')
-
-        # 展平层flatten
-        self.flatten = Flatten(name='flatten')
-
-        # 全连接层
-        self.dense = Dense(units=6, activation="softmax", name='logit')
-
-    def call(self, x):
-        x = self.conv_1_1(x)
-        x = self.conv_1_2(x)
-        x = self.max_pool_1(x)
-        x = self.conv_2_1(x)
-        x = self.conv_2_2(x)
-        x = self.max_pool_2(x)
-        x = self.flatten(x)
-        x = self.dense(x)
-        return x
\ No newline at end of file