【深度学习笔记】深度卷积神经网络——GoogLeNet
含并行连结的网络(GoogLeNet)
在2014年的ImageNet图像识别挑战赛中,一个名叫GoogLeNet Szegedy.Liu.Jia.ea.2015
的网络架构大放异彩。
GoogLeNet吸收了NiN中串联网络的思想,并在此基础上做了改进。
这篇论文的一个重点是解决了什么样大小的卷积核最合适的问题。
毕竟,以前流行的网络使用小到
1
×
1
1 \times 1
1×1,大到
11
×
11
11 \times 11
11×11的卷积核。
本文的一个观点是,有时使用不同大小的卷积核组合是有利的。
本节将介绍一个稍微简化的GoogLeNet版本:我们省略了一些为稳定训练而添加的特殊特性,现在有了更好的训练方法,这些特性不是必要的。
(Inception块)
在GoogLeNet中,基本的卷积块被称为Inception块(Inception block)。这很可能得名于电影《盗梦空间》(Inception),因为电影中的一句话“我们需要走得更深”(“We need to go deeper”)。
fig_inception
如 fig_inception
所示,Inception块由四条并行路径组成。
前三条路径使用窗口大小为
1
×
1
1\times 1
1×1、
3
×
3
3\times 3
3×3和
5
×
5
5\times 5
5×5的卷积层,从不同空间大小中提取信息。
中间的两条路径在输入上执行
1
×
1
1\times 1
1×1卷积,以减少通道数,从而降低模型的复杂性。
第四条路径使用
3
×
3
3\times 3
3×3最大汇聚层,然后使用
1
×
1
1\times 1
1×1卷积层来改变通道数。
这四条路径都使用合适的填充来使输入与输出的高和宽一致,最后我们将每条线路的输出在通道维度上连结,并构成Inception块的输出。在Inception块中,通常调整的超参数是每层输出通道数。
import torch
from torch import nn
from torch.nn import functional as F
from d2l import torch as d2l
class Inception(nn.Module):
# c1--c4是每条路径的输出通道数
def __init__(self, in_channels, c1, c2, c3, c4, **kwargs):
super(Inception, self).__init__(**kwargs)
# 线路1,单1x1卷积层
self.p1_1 = nn.Conv2d(in_channels, c1, kernel_size=1)
# 线路2,1x1卷积层后接3x3卷积层
self.p2_1 = nn.Conv2d(in_channels, c2[0], kernel_size=1)
self.p2_2 = nn.Conv2d(c2[0], c2[1], kernel_size=3, padding=1)
# 线路3,1x1卷积层后接5x5卷积层
self.p3_1 = nn.Conv2d(in_channels, c3[0], kernel_size=1)
self.p3_2 = nn.Conv2d(c3[0], c3[1], kernel_size=5, padding=2)
# 线路4,3x3最大汇聚层后接1x1卷积层
self.p4_1 = nn.MaxPool2d(kernel_size=3, stride=1, padding=1)
self.p4_2 = nn.Conv2d(in_channels, c4, kernel_size=1)
def forward(self, x):
p1 = F.relu(self.p1_1(x))
p2 = F.relu(self.p2_2(F.relu(self.p2_1(x))))
p3 = F.relu(self.p3_2(F.relu(self.p3_1(x))))
p4 = F.relu(self.p4_2(self.p4_1(x)))
# 在通道维度上连结输出
return torch.cat((p1, p2, p3, p4), dim=1)
那么为什么GoogLeNet这个网络如此有效呢?
首先我们考虑一下滤波器(filter)的组合,它们可以用各种滤波器尺寸探索图像,这意味着不同大小的滤波器可以有效地识别不同范围的图像细节。
同时,我们可以为不同的滤波器分配不同数量的参数。
[GoogLeNet模型]
如 fig_inception_full
所示,GoogLeNet一共使用9个Inception块和全局平均汇聚层的堆叠来生成其估计值。Inception块之间的最大汇聚层可降低维度。
第一个模块类似于AlexNet和LeNet,Inception块的组合从VGG继承,全局平均汇聚层避免了在最后使用全连接层。
fig_inception_full
现在,我们逐一实现GoogLeNet的每个模块。第一个模块使用64个通道、 7 × 7 7\times 7 7×7卷积层。
b1 = nn.Sequential(nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3),
nn.ReLU(),
nn.MaxPool2d(kernel_size=3, stride=2, padding=1))
第二个模块使用两个卷积层:第一个卷积层是64个通道、
1
×
1
1\times 1
1×1卷积层;第二个卷积层使用将通道数量增加三倍的
3
×
3
3\times 3
3×3卷积层。
这对应于Inception块中的第二条路径。
b2 = nn.Sequential(nn.Conv2d(64, 64, kernel_size=1),
nn.ReLU(),
nn.Conv2d(64, 192, kernel_size=3, padding=1),
nn.ReLU(),
nn.MaxPool2d(kernel_size=3, stride=2, padding=1))
第三个模块串联两个完整的Inception块。
第一个Inception块的输出通道数为
64
+
128
+
32
+
32
=
256
64+128+32+32=256
64+128+32+32=256,四个路径之间的输出通道数量比为
64
:
128
:
32
:
32
=
2
:
4
:
1
:
1
64:128:32:32=2:4:1:1
64:128:32:32=2:4:1:1。
第二个和第三个路径首先将输入通道的数量分别减少到
96
/
192
=
1
/
2
96/192=1/2
96/192=1/2和
16
/
192
=
1
/
12
16/192=1/12
16/192=1/12,然后连接第二个卷积层。第二个Inception块的输出通道数增加到
128
+
192
+
96
+
64
=
480
128+192+96+64=480
128+192+96+64=480,四个路径之间的输出通道数量比为
128
:
192
:
96
:
64
=
4
:
6
:
3
:
2
128:192:96:64 = 4:6:3:2
128:192:96:64=4:6:3:2。
第二条和第三条路径首先将输入通道的数量分别减少到
128
/
256
=
1
/
2
128/256=1/2
128/256=1/2和
32
/
256
=
1
/
8
32/256=1/8
32/256=1/8。
b3 = nn.Sequential(Inception(192, 64, (96, 128), (16, 32), 32),
Inception(256, 128, (128, 192), (32, 96), 64),
nn.MaxPool2d(kernel_size=3, stride=2, padding=1))
第四模块更加复杂,
它串联了5个Inception块,其输出通道数分别是
192
+
208
+
48
+
64
=
512
192+208+48+64=512
192+208+48+64=512、
160
+
224
+
64
+
64
=
512
160+224+64+64=512
160+224+64+64=512、
128
+
256
+
64
+
64
=
512
128+256+64+64=512
128+256+64+64=512、
112
+
288
+
64
+
64
=
528
112+288+64+64=528
112+288+64+64=528和
256
+
320
+
128
+
128
=
832
256+320+128+128=832
256+320+128+128=832。
这些路径的通道数分配和第三模块中的类似,首先是含
3
×
3
3×3
3×3卷积层的第二条路径输出最多通道,其次是仅含
1
×
1
1×1
1×1卷积层的第一条路径,之后是含
5
×
5
5×5
5×5卷积层的第三条路径和含
3
×
3
3×3
3×3最大汇聚层的第四条路径。
其中第二、第三条路径都会先按比例减小通道数。
这些比例在各个Inception块中都略有不同。
b4 = nn.Sequential(Inception(480, 192, (96, 208), (16, 48), 64),
Inception(512, 160, (112, 224), (24, 64), 64),
Inception(512, 128, (128, 256), (24, 64), 64),
Inception(512, 112, (144, 288), (32, 64), 64),
Inception(528, 256, (160, 320), (32, 128), 128),
nn.MaxPool2d(kernel_size=3, stride=2, padding=1))
第五模块包含输出通道数为
256
+
320
+
128
+
128
=
832
256+320+128+128=832
256+320+128+128=832和
384
+
384
+
128
+
128
=
1024
384+384+128+128=1024
384+384+128+128=1024的两个Inception块。
其中每条路径通道数的分配思路和第三、第四模块中的一致,只是在具体数值上有所不同。
需要注意的是,第五模块的后面紧跟输出层,该模块同NiN一样使用全局平均汇聚层,将每个通道的高和宽变成1。
最后我们将输出变成二维数组,再接上一个输出个数为标签类别数的全连接层。
b5 = nn.Sequential(Inception(832, 256, (160, 320), (32, 128), 128),
Inception(832, 384, (192, 384), (48, 128), 128),
nn.AdaptiveAvgPool2d((1,1)),
nn.Flatten())
net = nn.Sequential(b1, b2, b3, b4, b5, nn.Linear(1024, 10))
GoogLeNet模型的计算复杂,而且不如VGG那样便于修改通道数。
[为了使Fashion-MNIST上的训练短小精悍,我们将输入的高和宽从224降到96],这简化了计算。下面演示各个模块输出的形状变化。
X = torch.rand(size=(1, 1, 96, 96))
for layer in net:
X = layer(X)
print(layer.__class__.__name__,'output shape:\t', X.shape)
Sequential output shape: torch.Size([1, 64, 24, 24])
Sequential output shape: torch.Size([1, 192, 12, 12])
Sequential output shape: torch.Size([1, 480, 6, 6])
Sequential output shape: torch.Size([1, 832, 3, 3])
Sequential output shape: torch.Size([1, 1024])
Linear output shape: torch.Size([1, 10])
[训练模型]
和以前一样,我们使用Fashion-MNIST数据集来训练我们的模型。在训练之前,我们将图片转换为 96 × 96 96 \times 96 96×96分辨率。
lr, num_epochs, batch_size = 0.1, 10, 128
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, resize=96)
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())
loss 0.262, train acc 0.900, test acc 0.886
3265.5 examples/sec on cuda:0
小结
- Inception块相当于一个有4条路径的子网络。它通过不同窗口形状的卷积层和最大汇聚层来并行抽取信息,并使用 1 × 1 1×1 1×1卷积层减少每像素级别上的通道维数从而降低模型复杂度。
- GoogLeNet将多个设计精细的Inception块与其他层(卷积层、全连接层)串联起来。其中Inception块的通道数分配之比是在ImageNet数据集上通过大量的实验得来的。
- GoogLeNet和它的后继者们一度是ImageNet上最有效的模型之一:它以较低的计算复杂度提供了类似的测试精度。
原文地址:https://blog.csdn.net/weixin_48024605/article/details/136361502
免责声明:本站文章内容转载自网络资源,如本站内容侵犯了原著者的合法权益,可联系本站删除。更多内容请关注自学内容网(zxcms.com)!