ResNet RGB在tensorflow slim中的平均值_Tensorflow_Deep Learning_Tensorflow Gpu_Tf Slim_Resnet

ResNet RGB在tensorflow slim中的平均值

tensorflow deep-learning

ResNet RGB在tensorflow slim中的平均值,tensorflow,deep-learning,tensorflow-gpu,tf-slim,resnet,Tensorflow,Deep Learning,Tensorflow Gpu,Tf Slim,Resnet,我使用tensorflow slim加载预先训练过的模型，如vgg和resnet-50。因此，对于vgg，tf slim提供了一种加载RGB平均值的方法，如： from preprocessing.vgg_preprocessing import (_mean_image_subtraction, _R_MEAN, _G_MEAN, _B_MEAN) 我找不到任何类似的resnet。它还没有实施吗？我也知道

我使用tensorflow slim加载预先训练过的模型，如vgg和resnet-50。因此，对于vgg，tf slim提供了一种加载RGB平均值的方法，如：

from preprocessing.vgg_preprocessing import (_mean_image_subtraction,
                                            _R_MEAN, _G_MEAN, _B_MEAN)

我找不到任何类似的resnet。它还没有实施吗？我也知道一些库，比如py torch，为每个模型提供全局平均值。tf slim也是这样吗？

在Tensorflow slim resnet-v1中使用vgg_预处理。默认情况下，Resnet-v2使用初始预处理，它使用大量的颜色、色调和饱和度增强。这使得平均减法的相关性降低。

在Tensorflow Slim resnet-v1中使用vgg_预处理。默认情况下，Resnet-v2使用初始预处理，它使用大量的颜色、色调和饱和度增强。这使得平均减法不那么相关。

前面的答案实际上并不完全正确。看看

您可以看到Resnet-V1和Resnet-V2都使用VGG预处理

 preprocessing_fn_map = {
  'cifarnet': cifarnet_preprocessing,
  'inception': inception_preprocessing,
  'inception_v1': inception_preprocessing,
  'inception_v2': inception_preprocessing,
  'inception_v3': inception_preprocessing,
  'inception_v4': inception_preprocessing,
  'inception_resnet_v2': inception_preprocessing,
  'lenet': lenet_preprocessing,
  'mobilenet_v1': inception_preprocessing,
  'mobilenet_v2': inception_preprocessing,
  'mobilenet_v2_035': inception_preprocessing,
  'mobilenet_v2_140': inception_preprocessing,
  'nasnet_mobile': inception_preprocessing,
  'nasnet_large': inception_preprocessing,
  'pnasnet_mobile': inception_preprocessing,
  'pnasnet_large': inception_preprocessing,
  'resnet_v1_50': vgg_preprocessing,
  'resnet_v1_101': vgg_preprocessing,
  'resnet_v1_152': vgg_preprocessing,
  'resnet_v1_200': vgg_preprocessing,
  'resnet_v2_50': vgg_preprocessing,
  'resnet_v2_101': vgg_preprocessing,
  'resnet_v2_152': vgg_preprocessing,
  'resnet_v2_200': vgg_preprocessing,
  'vgg': vgg_preprocessing,
  'vgg_a': vgg_preprocessing,
  'vgg_16': vgg_preprocessing,
  'vgg_19': vgg_preprocessing,

}前面的答案实际上并不完全正确。看看

您可以看到Resnet-V1和Resnet-V2都使用VGG预处理

 preprocessing_fn_map = {
  'cifarnet': cifarnet_preprocessing,
  'inception': inception_preprocessing,
  'inception_v1': inception_preprocessing,
  'inception_v2': inception_preprocessing,
  'inception_v3': inception_preprocessing,
  'inception_v4': inception_preprocessing,
  'inception_resnet_v2': inception_preprocessing,
  'lenet': lenet_preprocessing,
  'mobilenet_v1': inception_preprocessing,
  'mobilenet_v2': inception_preprocessing,
  'mobilenet_v2_035': inception_preprocessing,
  'mobilenet_v2_140': inception_preprocessing,
  'nasnet_mobile': inception_preprocessing,
  'nasnet_large': inception_preprocessing,
  'pnasnet_mobile': inception_preprocessing,
  'pnasnet_large': inception_preprocessing,
  'resnet_v1_50': vgg_preprocessing,
  'resnet_v1_101': vgg_preprocessing,
  'resnet_v1_152': vgg_preprocessing,
  'resnet_v1_200': vgg_preprocessing,
  'resnet_v2_50': vgg_preprocessing,
  'resnet_v2_101': vgg_preprocessing,
  'resnet_v2_152': vgg_preprocessing,
  'resnet_v2_200': vgg_preprocessing,
  'vgg': vgg_preprocessing,
  'vgg_a': vgg_preprocessing,
  'vgg_16': vgg_preprocessing,
  'vgg_19': vgg_preprocessing,

}

事实上，尽管

预处理工厂

说restnetv2使用vgg\u预处理，但事实并非如此。

resnetv2的正确预处理是inception_preprocessing，正如本期github中所指出的

实际上，尽管

preprocessing_工厂

说restnetv2使用vgg_preprocessing，但事实并非如此。

resnetv2的正确预处理是inception_preprocessing，如本期github中所述

我在ImageNet验证数据集上测试了Resnet_v1_50和Resnet_v2_50的Slim检查点，结果是Resnet_v1_50使用VGG预处理，而Resnet_v2_50使用inception预处理

我在ImageNet验证数据集上测试了Resnet_v1_50和Resnet_v2_50的Slim检查点，结果是Resnet_v1_50使用VGG预处理，而Resnet_v2_50使用初始预处理

报告还指出，报告中的信息具有误导性