ZF Net.md

2013'de ImageNet ILSVRC (Büyük Ölçekli Görsel Tanıma Yarışması)'de sunuldu. Matthew Zeiler ve Rob Fergus tarafından geliştirilmiştir. ZF Net'te, AlexNet'e göre ilk katmandaki filtre boyutu ve adım sayısı küçültülmüş ve orta evrişim katmanları büyütülmüştür. ZF Net'te, öğrenilen bilgiyi görselleştiren ağın her katmanındaki görüntü piksellerine geri beslenen zıt evrişim işlemi (deconvnet) eklenmiştir. Böylece zengin özellikler gözetimsiz olarak çıkarılabilmektedir.

Katman	Layer	Size	Filter	Kernel Size	Stride	Padding
0	Input	224x224x3	-	-	-	-
1	Convolution	37x37x96	7x7	96	2	0
2	ReLU	37x37x96	-	-	-	-
3	LRN
4	Max Pooling	37x37x96	3x3	-	2	-
5	Convolution	17x17x256	5x5	256	1	0
6	ReLU	17x17x256
7	Max Pooling	17x17x256	3x3	-	1	-
8	Convolution	17x17x512	3x3	512	1	0
9	ReLU	17x17x512
10	Convolution	17x17x512	3x3	512	1	0
11	ReLU	17x17x512
12	Convolution	17x17x512	3x3	512	1	0
13	ReLU	17x17x512
14	Max Pooling	17x17x512	3x3	-	2	-
15	Convolution	6x6x512	3x3	512	1	0
16	ReLU	6x6x512
17	Flatten
18	FC	1x1x4096
19	ReLU	1x1x4096
20	Dropout
21	FC	1x1x4096
22	ReLU	1x1x4096
23	Dropout	1x1x1000
24	FC	1x1x1000
25	Softmax	1x1x1000

model = Sequential()

model.add(Conv2D(96, (7, 7), strides=(2, 2), input_shape=(224, 224, 3), activation='relu'))

model.add(MaxPooling2D((3, 3), strides=(2, 2)))

model.add(Conv2D(256, (5, 5), activation='relu'))

model.add(MaxPooling2D((3, 3), strides=(2, 2)))

model.add(Conv2D(384, (3, 3), activation='relu'))

model.add(Conv2D(384, (3, 3), activation='relu'))

model.add(Conv2D(256, (3, 3), activation='relu'))

model.add(MaxPooling2D((3, 3), strides=(2, 2))

model.add(Flatten())
model.add(Dense(4096, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(4096, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(1000, activation='softmax'))