ResNet已经被广泛运用于各种特征提取应用中，主要是为了解决梯度消失和梯度爆炸的问题。类激活映射（Class Activation Mapping，CAM）是一种用于图像分割、目标检测和语义分割等计算机视觉任务的算法。它通过计算输入图像中每个小区域的激活值，然后将这些值合并为一个输出图像，以突出图像中不同类别的特定区域。本文用基于TensorFlow2.x的代码演示实现绘制ResNet50...
在保存了使用TensorFlow神经网络训练的模型后，需要使用模型进行推理。但是如果模型比较大的话，推理的时间就比较慢。但是，实际上也是有一定的方法用来提高模型的推理速度的。我询问了ChatGPT，下面的回答也是ChatGPT的回答，给我了一些启发。目前我更多的是试试第一种方法，因为TensorFlow Lite我还真没用过，还是有一定的好奇心。
将TensorFlow模型转换为TensorFlow Lite模型可以将模型转换为适用于移动设备和嵌入式设备的格式，从而提高模型的推理速度和降低模型大小。基于TensorFlow 2.x版本，转换步骤如下：
在文章『PyTorch四种天气分类数据集下载及代码（Dropout、BatchNorm）』中，使用torchvision.datasets.ImageFolder直接从文件夹里加载所有的图片，事实上在TensorFlow的ImageDataGenerator类来从文件夹中读取图像数据，并将它们自动地分成训练和验证集。本文还展示了如何使用fit_generator进行训练，使用fit_gene...
TensorFlow官方在Github上也提供了model的源码（点击查看），但是需要手动编译，这里用到的资料是日月光华老师的提供资料，提供的model是已经编译好的文件。注意，本文是针对Windows端的用户，Linux端可以完全按照TensorFlow官方教程走。
前面写了LinkNet模型的搭建以及初始化，本节其实没啥新内容，就是把前面的几章节汇总到一起，是一份基于TensorFlow使用街景数据集的LinkNet的完整代码。
在前面以及建立了卷积模块、反卷积模块——>编码器、解码器。本小节就是通过搭积木的方式创建LinkNet模型。LinkNet模型相对还是很简单的，对照着模型图加上前面封装的类还是很简单就能完成。
在前面一节，简要介绍了LinkNet模型。从本节起，就开始上代码，把前面那个论文里的模型给写出来。本节先编写模型的卷积模块和反卷积模块，再通过调用卷积模块和反卷积模块，实现编码器与解码器。数据集的读取和前面使用U-net模型是一模一样的，所以就不再赘述，直接拷贝过来就行了。
像素级的图像语义分割不仅需要精确，还需要高效，以便应用到实时应用。例如在自动驾驶中，如果实时性比较差，则可能会出现安全问题。现有的一些语义分割算法，虽然精度可能比较高，但是往往参数量巨大，运算开销很高。为了解决这个问题，有学者提出了LinkNet算法。LinkNet用到了大量的残差链接。
在前面文章『深度学习的层数并非越深越好，ResNet是如何解决梯度消失或爆炸的问题』，简要介绍了一些关于ResNet的知识。我们知道ResNet其实是由一个个小块组成的，本文就是以下图这中这两个layer的模块为例进行代码的简单演示。
在本节开始，就是正式搭建Unet模型了。在本次搭建模型的过程中，将采用一定的封装来搭建网络，因为U-net模型有个显著的特点，就是很多重复的步骤，比如下采样、两层卷积——>下采样、两层卷积......因此可以做一个封装让程序更加简化。
