""" MobileNetV2 模型定义 支持标准训练和量化训练 功能说明: 1. MobileNetV2Classifier: 标准分类模型,用于训练阶段 2. QuantizedMobileNetV2: 量化感知训练模型,用于FPGA部署前的训练 3. create_model: 工厂函数,统一创建模型接口 模型架构: - 基础网络:MobileNetV2 (轻量级卷积神经网络) - 分类头:Dropout(0.2) + Linear(1280 -> num_classes) - 输入:3通道RGB图像 (224x224) - 输出:10类光瓣数量的概率分布 """ import torch import torch.nn as nn import torchvision.models as models class MobileNetV2Classifier(nn.Module): """ 基于MobileNetV2的光图像分类器 用途:识别大气湍流影响下的光束传输图像中的光瓣数量 架构说明: - 使用预训练的MobileNetV2作为特征提取器 - 替换最后的分类层以适应10类光瓣分类任务 - 添加Dropout防止过拟合 参数: num_classes (int): 分类类别数,默认10(对应1-10个光瓣) pretrained (bool): 是否使用ImageNet预训练权重,默认True """ def __init__(self, num_classes=10, pretrained=True): super(MobileNetV2Classifier, self).__init__() # 加载预训练的MobileNetV2骨干网络 # pretrained=True时会下载ImageNet预训练权重,有助于加速收敛 self.mobilenet = models.mobilenet_v2(pretrained=pretrained) # 获取原始分类层的输入特征维度(MobileNetV2为1280) in_features = self.mobilenet.classifier[1].in_features # 替换分类头以适应我们的任务 # Dropout(0.2): 随机丢弃20%的神经元,防止过拟合 # Linear: 全连接层,将1280维特征映射到num_classes个类别 self.mobilenet.classifier = nn.Sequential( nn.Dropout(0.2), nn.Linear(in_features, num_classes) ) def forward(self, x): """ 前向传播 参数: x (Tensor): 输入图像张量,形状为 [batch_size, 3, 224, 224] 返回: Tensor: 分类logits,形状为 [batch_size, num_classes] """ return self.mobilenet(x) class QuantizedMobileNetV2(nn.Module): """ 量化感知训练版本的MobileNetV2 用途:在训练过程中模拟量化效果,为FPGA部署做准备 量化说明: - 使用QAT (Quantization-Aware Training) 方法 - 在训练时插入伪量化节点,模拟INT8量化的精度损失 - 训练后可直接转换为真正的INT8量化模型 与标准模型的区别: - 添加了量化配置 (qconfig) - 使用 prepare_qat 准备量化感知训练 - 支持层融合 (Conv+BN+ReLU) 以提高推理速度 参数: num_classes (int): 分类类别数,默认10 pretrained (bool): 是否使用预训练权重,默认True """ def __init__(self, num_classes=10, pretrained=True): super(QuantizedMobileNetV2, self).__init__() # 加载预训练的MobileNetV2骨干网络 self.model = models.mobilenet_v2(pretrained=pretrained) # 修改分类层以适应光瓣分类任务 in_features = self.model.classifier[1].in_features self.model.classifier = nn.Sequential( nn.Dropout(0.2), nn.Linear(in_features, num_classes) ) # 配置量化参数 # 'fbgemm': 针对x86 CPU优化的量化后端 # 注意:如果目标是ARM架构(如PYNQ Z2),应使用 'qnnpack' self.model.qconfig = torch.quantization.get_default_qat_qconfig('fbgemm') # 准备量化感知训练 # inplace=True: 直接修改模型,不创建副本 # 这会在模型中插入伪量化节点(FakeQuantize),模拟量化效果 torch.quantization.prepare_qat(self.model, inplace=True) def forward(self, x): """ 前向传播 参数: x (Tensor): 输入图像张量,形状为 [batch_size, 3, 224, 224] 返回: Tensor: 分类logits,形状为 [batch_size, num_classes] """ return self.model(x) def fuse_model(self): """ 融合Conv+BN+ReLU层以提高推理速度 层融合说明: - 将卷积、批归一化、激活函数融合为单个操作 - 减少内存访问次数,提高推理速度 - 必须在量化之前调用 注意:此方法需要根据具体的模型结构调整 当前实现是一个示例,可能需要针对MobileNetV2的具体结构进行修改 """ for m in self.model.modules(): if type(m) == nn.Sequential: torch.quantization.fuse_modules(m, [['0', '1', '2']], inplace=True) def create_model(num_classes=10, pretrained=True, quantized=False): """ 创建模型的工厂函数 这是统一的模型创建接口,根据参数返回不同类型的模型 参数: num_classes (int): 分类类别数,默认10(对应1-10个光瓣) pretrained (bool): 是否使用ImageNet预训练权重,默认True quantized (bool): 是否创建量化感知训练模型,默认False 返回: model (nn.Module): 创建的模型实例 使用示例: # 创建标准训练模型 model = create_model(num_classes=10, pretrained=True) # 创建量化感知训练模型 qat_model = create_model(num_classes=10, pretrained=True, quantized=True) """ if quantized: return QuantizedMobileNetV2(num_classes, pretrained) else: return MobileNetV2Classifier(num_classes, pretrained) if __name__ == "__main__": # 测试模型创建和前向传播 print("=" * 50) print("测试标准MobileNetV2模型") print("=" * 50) model = create_model(num_classes=10, pretrained=False) x = torch.randn(1, 3, 224, 224) # 模拟一个batch的输入 y = model(x) print(f"输入形状: {x.shape}") print(f"输出形状: {y.shape}") print(f"模型参数量: {sum(p.numel() for p in model.parameters()) / 1e6:.2f}M") print(f"输出类别数: {y.shape[1]}")