24/10/13 算法笔记 GoogLeNet

在GoogLeNet中，根本的卷积块被称为Inception块

1. class Inception(nn.Module):
2.     # c1--c4是每条路径的输出通道数
3.     def __init__(self, in_channels, c1, c2, c3, c4, **kwargs):
4.         super(Inception, self).__init__(**kwargs)
5.         # 线路1，单1x1卷积层
6.         self.p1_1 = nn.Conv2d(in_channels, c1, kernel_size=1)
7.         # 线路2，1x1卷积层后接3x3卷积层
8.         self.p2_1 = nn.Conv2d(in_channels, c2[0], kernel_size=1)
9.         self.p2_2 = nn.Conv2d(c2[0], c2[1], kernel_size=3, padding=1)
10.         # 线路3，1x1卷积层后接5x5卷积层
11.         self.p3_1 = nn.Conv2d(in_channels, c3[0], kernel_size=1)
12.         self.p3_2 = nn.Conv2d(c3[0], c3[1], kernel_size=5, padding=2)
13.         # 线路4，3x3最大汇聚层后接1x1卷积层
14.         self.p4_1 = nn.MaxPool2d(kernel_size=3, stride=1, padding=1)
15.         self.p4_2 = nn.Conv2d(in_channels, c4, kernel_size=1)
17.     def forward(self, x):
18.         p1 = F.relu(self.p1_1(x))
19.         p2 = F.relu(self.p2_2(F.relu(self.p2_1(x))))
20.         p3 = F.relu(self.p3_2(F.relu(self.p3_1(x))))
21.         p4 = F.relu(self.p4_2(self.p4_1(x)))
22.         # 在通道维度上连结输出
23.         return torch.cat((p1, p2, p3, p4), dim=1)

复制代码

inception块的亮点：
多路径并行处理惩罚，增加了网络的宽度
1*1卷积被用来淘汰或增加通道数，同时淘汰盘算量
差别大小的卷积核使得网络能够捕获差别尺度的特征
使用最大汇聚层，在空间上低沉特征图的尺寸，同时保留最重要的信息
在最大汇聚层后立纵然用1*1卷积层，有助于淘汰参数量，使得特征图的通道数可以调整

滤波器（filter）的组合
它们可以用各种滤波器尺寸探索图像，这意味着差别大小的滤波器可以有效地识别差别范围的图像细节。 同时，我们可以为差别的滤波器分配差别数量的参数。
GoogLeNet模型

逐层实现
第一层：64个通道，7*7卷积层

1. b1 = nn.Sequential(nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3),
2.                    nn.ReLU(),
3.                    nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

复制代码

第二层：第一个卷积层64个通道，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卷积层，这对于inception块中的第二条路径

1. b2 = nn.Sequential(nn.Conv2d(64, 64, kernel_size=1),
2.                    nn.ReLU(),
3.                    nn.Conv2d(64, 192, kernel_size=3, padding=1),
4.                    nn.ReLU(),
5.                    nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

复制代码

第三个模块串联两个完备的Inception块

1. b3 = nn.Sequential(Inception(192, 64, (96, 128), (16, 32), 32),
2.                    Inception(256, 128, (128, 192), (32, 96), 64),
3.                    nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

复制代码

第四模块更加复杂， 它串联了5个Inception块

1. b4 = nn.Sequential(Inception(480, 192, (96, 208), (16, 48), 64),
2.                    Inception(512, 160, (112, 224), (24, 64), 64),
3.                    Inception(512, 128, (128, 256), (24, 64), 64),
4.                    Inception(512, 112, (144, 288), (32, 64), 64),
5.                    Inception(528, 256, (160, 320), (32, 128), 128),
6.                    nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

复制代码

第五模块包罗输出通道数为256+320+128+128=832和384+384+128+128=1024的两个Inception块。

1. b5 = nn.Sequential(Inception(832, 256, (160, 320), (32, 128), 128),
2.                    Inception(832, 384, (192, 384), (48, 128), 128),
3.                    nn.AdaptiveAvgPool2d((1,1)),
4.                    nn.Flatten())
6. net = nn.Sequential(b1, b2, b3, b4, b5, nn.Linear(1024, 10))

复制代码

问题：
什么时候需要些forward函数？
        自界说卷积层的时候：创建一个具有特别举动的卷积层，比如改变卷积核的大小，步长，添补或者添加特定的激活函数组合时，需要继续现有的层并重写forward函数
        组合卷积操纵：当你想要将卷积与其他操纵（如批量归一化，激活函数，dropout等）组合在一起时，可以通过界说forward函数来实现
        实现特别模型时：如Inception网络，ResNet等，其中包罗了多个并行的卷积路径，需要在forward函数中实现这些路径的数据活动
        集成外部操纵：如果要集成一些外部操纵，比如自界说的数学函数或从其他库导入的操纵时，在forward中实现
        修改前向传播逻辑：如果需要根据输入数据的差别特性动态改变前向传播举动，如使用条件卷积



免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。