Add exam.4

exam/step4/AlexNetCompleted.py

+import tensorflow as tf
+import os
+# os.environ[\"TF_CPP_MIN_LOG_LEVEL\"]='3'
+#----以下是答案部分 begin----#
+
+# 定义placeholder 开始
+keeProb = tf.placeholder(tf.float32, shape=())
+batchImgInput = tf.placeholder(tf.float32, shape=(None, 224, 224, 3))
+labels = tf.placeholder(tf.float32, shape=(None, 4))
+
+# 第一层卷积+归一化+池化 开始
+conv1 = tf.layers.Conv2D(filters=96, kernel_size=(11, 11), strides=(4, 4), padding='valid', activation=tf.nn.relu)(
+    batchImgInput)
+lrn1 = tf.nn.local_response_normalization(conv1, alpha=1e-4, beta=0.75, depth_radius=2, bias=2.0)
+pool1 = tf.layers.MaxPooling2D(pool_size=(3, 3), strides=(2, 2), padding='valid')(conv1)
+# 第一层卷积+归一化+池化 结束
+
+# 第二层卷积+归一化+池化 开始
+conv2 = tf.layers.Conv2D(filters=256, kernel_size=(5, 5), strides=(1, 1), padding='same', activation=tf.nn.relu)(
+    pool1)
+lrn2 = tf.nn.local_response_normalization(conv2, alpha=1e-4, beta=0.75, depth_radius=2, bias=2.0)
+pool2 = tf.layers.MaxPooling2D(pool_size=(3, 3), strides=(2, 2), padding='valid')(conv2)
+# 第二层卷积+归一化+池化 结束
+
+# 定义三层直接连接的卷积 开始
+conv3 = tf.layers.Conv2D(filters=192, kernel_size=(3, 3), strides=(1, 1), padding='same', activation=tf.nn.relu)(
+    pool2)
+conv4 = tf.layers.Conv2D(filters=192, kernel_size=(3, 3), strides=(1, 1), padding='same', activation=tf.nn.relu)(
+    conv3)
+conv5 = tf.layers.Conv2D(filters=128, kernel_size=(3, 3), strides=(1, 1), padding='same', activation=tf.nn.relu)(
+    conv4)
+# 定义三层直接连接的卷积 结束
+
+# 池化后变为一维 开始
+pool3 = tf.layers.MaxPooling2D(pool_size=(3, 3), strides=(2, 2), padding='valid')(conv5)
+flatten = tf.layers.Flatten()(pool3)
+# 池化后变为一维 结束
+
+# 第一层全连接+随机失活 开始
+dense1 = tf.layers.Dense(units=512, activation=tf.nn.relu)(flatten)
+dropout1 = tf.nn.dropout(dense1, keeProb)
+# 第一层全连接+随机失活 结束
+
+# 第二层全连接+随机失活 开始
+dense2 = tf.layers.Dense(units=512, activation=tf.nn.relu)(dropout1)
+dropout2 = tf.nn.dropout(dense2, keeProb)
+# 第二层全连接+随机失活 结束
+
+# 第三层全连接+随机失活 开始
+dense3 = tf.layers.Dense(units=256, activation=tf.nn.relu)(dropout2)
+dropout3 = tf.nn.dropout(dense3, keeProb)
+# 第三层全连接+随机失活 结束
+
+# 额外加了一层全连接层 输出为类别数量 开始
+outPuts = tf.layers.Dense(units=4, activation=None)(dropout3)
+# 额外加了一层全连接层 输出为类别数量 结束
+
+loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(logits=outPuts, labels=labels))
+train = tf.train.AdamOptimizer().minimize(loss)
+
+#----以上是答案部分 end----#
+
+with tf.Session() as sess:
+    sess.run(tf.global_variables_initializer())
+    tf.train.export_meta_graph(filename=\"step4/modelInfo/AlexNet\",
+                               graph=tf.get_default_graph())
+
+tf.reset_default_graph()
\ No newline at end of file

exam/step4/AlexNetForUsers.py

+import tensorflow as tf
+
+# 本关你仅需要按要求搭建网络结构。
+
+# 首先需要定义三个placeholder 分别是dropout的神经元保存比率、每个batch的图片输入、每个batch输入对应的标签
+
+# 然后需要依次堆叠下列网络层：
+# 所有卷积使用tf.keras.layers.Conv2D(),
+# 所有池化使用tf.keras.layers.MaxPooling2D()
+# 所有归一化使用tf.nn.local_response_normalization(), alpha取1e-4, beta取0.75, depth_radius取2, bias取2.0
+# 扁平化使用tf.keras.layers.Flatten()
+# 全连接使用tf.keras.layers.Dense()
+# dropout使用tf.nn.dropout()
+
+# 第一层卷积+归一化+池化
+# 卷积层96个卷积核,大小11×11, 步长4，padding为'valid',激活函数relu
+# 归一化
+# 最大池化范围为3×3，步长为2，padding为valid
+
+# 第二层卷积+归一化+池化
+# 这里卷积层256个卷积核,大小5×5, 步长1，padding为'same',激活函数relu
+# 归一化
+# 池化同上
+
+# 三层直接连接的卷积
+# 要求堆叠三个卷积层，卷积核大小均为3×3，步长1，padding为same，激活函数用relu
+# 卷积核数分别为192 192 128
+
+# 池化+扁平化
+
+# 第一层全连接+随机失活
+# 该层要求512个神经元，激活函数relu
+
+# 第二层全连接+随机失活 要求同上
+
+# 第三层全连接+随机失活
+# 该层要求256个神经元，激活函数relu
+
+# 全连接层 输出为类别数量，不需要激活
+
+# 损失: tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2())
+# 优化器: tf.train.AdamOptimizer()
+
+#********** Begin **********#
+
+
+#********** End **********#
+
+
+
+#---以下代码不要改动---#
+#---否则影响测评---#
+with tf.Session() as sess:
+    sess.run(tf.global_variables_initializer())
+    tf.train.export_meta_graph(filename=\"step4/userModelInfo/AlexNet\",
+                               graph=tf.get_default_graph())
\ No newline at end of file

exam/step4/AlexNetTest.py

+import os
+os.environ[\"TF_CPP_MIN_LOG_LEVEL\"]='3'
+
+import warnings
+warnings.filterwarnings('ignore')
+
+import AlexNetCompleted
+
+import AlexNetForUsers
+
+rightModelPath = 'step4/modelInfo/AlexNet'
+userModelPath = 'step4/userModelInfo/AlexNet'
+
+# print(os.path.exists(rightModelPath))
+# print(os.path.exists(userModelPath))
+# print(os.path.getsize(rightModelPath))
+# print(os.path.getsize(userModelPath))
+
+try:
+    # isRight = IsEqual(rightModelPath, userModelPath)
+    # print(isRight)
+    if os.path.getsize(rightModelPath)==os.path.getsize(userModelPath):
+        print('恭喜你通过本关测试!模型结构正确,你已经掌握了AlexNet的结构!',end='')
+    else:
+        print('模型结构有误!未能通过本关测试!')
+except:
+    print('模型结构文件保存有误!未能通过本关测试')
\ No newline at end of file