动手学习深度学习(总结梳理)——13. 深度卷积神经网络(AlexNet)
目录
1. 模型设计
2. 激活函数
3. 模型
3. 读取数据集
4. 训练AlexNet
AlexNet的背景故事和深度学习的发展
AlexNet和LeNet的设计理念非常相似,但也存在显著差异。 首先,AlexNet比相对较小的LeNet5要深得多。 AlexNet由八层组成:五个卷积层、两个全连接隐藏层和一个全连接输出层。 其次,AlexNet使用ReLU而不是sigmoid作为其激活函数。 下面,让我们深入研究AlexNet的细节。
1. 模型设计
2. 激活函数
此外,AlexNet将sigmoid激活函数改为更简单的ReLU激活函数。 一方面,ReLU激活函数的计算更简单,它不需要如sigmoid激活函数那般复杂的求幂运算。 另一方面,当使用不同的参数初始化方法时,ReLU激活函数使训练模型更加容易。 当sigmoid激活函数的输出非常接近于0或1时,这些区域的梯度几乎为0,因此反向传播无法继续更新一些模型参数。 相反,ReLU激活函数在正区间的梯度总是1。 因此,如果模型参数没有正确初始化,sigmoid函数可能在正区间内得到几乎为0的梯度,从而使模型无法得到有效的训练。
3. 模型
import torch
from torch import nn
from d2l import torch as d2lnet = nn.Sequential(''' 这里,我们使用一个11*11的更大窗口来捕捉对象 '''''' 同时,步幅为4,以减少输出的高度和宽度 '''''' 另外,输出通道的数目远大于LeNet '''nn.Conv2d(1, 96, kernel_size=11, stride=4, padding=1), nn.ReLU(),nn.MaxPool2d(kernel_size=3, stride=2),''' 减小卷积窗口,使用填充为2来使得输入与输出的高和宽一致,且增大输出通道数 '''nn.Conv2d(96, 256, kernel_size=5, padding=2), nn.ReLU(),nn.MaxPool2d(kernel_size=3, stride=2),''' 使用三个连续的卷积层和较小的卷积窗口。 '''''' 除了最后的卷积层,输出通道的数量进一步增加。 '''''' 在前两个卷积层之后,汇聚层不用于减少输入的高度和宽度 '''nn.Conv2d(256, 384, kernel_size=3, padding=1), nn.ReLU(),nn.Conv2d(384, 384, kernel_size=3, padding=1), nn.ReLU(),nn.Conv2d(384, 256, kernel_size=3, padding=1), nn.ReLU(),nn.MaxPool2d(kernel_size=3, stride=2),nn.Flatten(),''' 这里,全连接层的输出数量是LeNet中的好几倍。使用dropout层来减轻过拟合 '''nn.Linear(6400, 4096), nn.ReLU(),nn.Dropout(p=0.5),nn.Linear(4096, 4096), nn.ReLU(),nn.Dropout(p=0.5),''' 最后是输出层。由于这里使用Fashion-MNIST,所以用类别数为10,而非论文中的1000 '''nn.Linear(4096, 10))
我们构造一个高度和宽度都为224的单通道数据,来观察每一层输出的形状。 它与最开始的图中的AlexNet架构相匹配。
X = torch.randn(1, 1, 224, 224)
for layer in net:X=layer(X)print(layer.__class__.__name__,'output shape:\t',X.shape)
Conv2d output shape: torch.Size([1, 96, 54, 54])
ReLU output shape: torch.Size([1, 96, 54, 54])
MaxPool2d output shape: torch.Size([1, 96, 26, 26])
Conv2d output shape: torch.Size([1, 256, 26, 26])
ReLU output shape: torch.Size([1, 256, 26, 26])
MaxPool2d output shape: torch.Size([1, 256, 12, 12])
Conv2d output shape: torch.Size([1, 384, 12, 12])
ReLU output shape: torch.Size([1, 384, 12, 12])
Conv2d output shape: torch.Size([1, 384, 12, 12])
ReLU output shape: torch.Size([1, 384, 12, 12])
Conv2d output shape: torch.Size([1, 256, 12, 12])
ReLU output shape: torch.Size([1, 256, 12, 12])
MaxPool2d output shape: torch.Size([1, 256, 5, 5])
Flatten output shape: torch.Size([1, 6400])
Linear output shape: torch.Size([1, 4096])
ReLU output shape: torch.Size([1, 4096])
Dropout output shape: torch.Size([1, 4096])
Linear output shape: torch.Size([1, 4096])
ReLU output shape: torch.Size([1, 4096])
Dropout output shape: torch.Size([1, 4096])
Linear output shape: torch.Size([1, 10])
3. 读取数据集
尽管本文中AlexNet是在ImageNet上进行训练的,但我们在这里使用的是Fashion-MNIST数据集。因为即使在现代GPU上,训练ImageNet模型,同时使其收敛可能需要数小时或数天的时间。 将AlexNet直接应用于Fashion-MNIST的一个问题是,Fashion-MNIST图像的分辨率(28×28像素)低于ImageNet图像。 为了解决这个问题,我们将它们增加到224×224(通常来讲这不是一个明智的做法,但我们在这里这样做是为了有效使用AlexNet架构)。 我们使用d2l.load_data_fashion_mnist
函数中的resize
参数执行此调整。
batch_size = 128
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, resize=224)
4. 训练AlexNet
现在,我们可以开始训练AlexNet了。与此前的LeNet相比,这里的主要变化是使用更小的学习速率训练,这是因为网络更深更广、图像分辨率更高,训练卷积神经网络就更昂贵
lr, num_epochs = 0.01, 10
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())
5. QA
5.1 alexNet让机器去自己寻找特征,这些找到的特征都符合人类的逻辑嘛?如果不符合要怎么解释?
当然不符合,我们设计之初就是为了让模型朝着损失降低的方向走,所以根本没有加入人为的因素进去,自然根本就不会涉及人类逻辑的地方。
5.2 为什么AlexNet最后要有两个相同的全连接层Dense(4096)?一个不行嘛?
我尝试过,这里其实采用两个全连接层效果会更好,两个非常大的全连接层的组合是个非常大的MLP模型了,可能我们之前的卷积层筛选的特征不够好不够深,需要两个全连接层进行模型的复杂化。
动手学习深度学习(总结梳理)——13. 深度卷积神经网络(AlexNet)相关推荐
- 神经网络与深度学习 Class 13:卷积神经网络
目录 13.1 深度学习基础 13.2 图像识别与深度学习 13.3 图像卷积 13.4 卷积神经网络 13.1 深度学习基础 特征工程:尽可能选择和构建出好的特征,使得机器学习算法能够达到最佳性能 ...
- (pytorch-深度学习系列)深度卷积神经网络AlexNet
深度卷积神经网络AlexNet 文字过多,但是重点已经标出来了 背景 在LeNet提出后的将近20年里,神经网络一度被其他机器学习方法超越,如支持向量机.虽然LeNet可以在早期的小数据集上取得好的成 ...
- 深度学习与计算机视觉系列(10)_细说卷积神经网络
转载自: 深度学习与计算机视觉系列(10)_细说卷积神经网络 - 龙心尘 - 博客频道 - CSDN.NET http://blog.csdn.net/longxinchen_ml/article/d ...
- 吴恩达深度学习课程笔记(四):卷积神经网络2 实例探究
吴恩达深度学习课程笔记(四):卷积神经网络2 实例探究 吴恩达深度学习课程笔记(四):卷积神经网络2 实例探究 2.1 为什么要进行实例探究 2.2 经典网络 LeNet-5 AlexNet VGG- ...
- 深度学习入门(二十四)卷积神经网络——填充和步幅
深度学习入门(二十四)卷积神经网络--填充和步幅 前言 卷积神经网络--填充和步幅 课件 填充 步幅 总结 课本 1 填充 2 步幅 3 小结 前言 核心内容来自博客链接1博客连接2希望大家多多支持作 ...
- 深度学习入门(三十二)卷积神经网络——BN批量归一化
深度学习入门(三十二)卷积神经网络--BN批量归一化 前言 批量归一化batch normalization 课件 批量归一化 批量归一化层 批量归一化在做什么? 总结 教材 1 训练深层网络 2 批 ...
- Pytorch 深度卷积神经网络 AlexNet
Pytorch 深度卷积神经网络 AlexNet 0. 环境介绍 环境使用 Kaggle 里免费建立的 Notebook 教程使用李沐老师的 动手学深度学习 网站和 视频讲解 小技巧:当遇到函数看不懂 ...
- 深度学习方法(十):卷积神经网络结构变化——Maxout Networks,Network In Network,Global Average Pooling
欢迎转载,转载请注明:本文出自Bin的专栏blog.csdn.net/xbinworld. 技术交流QQ群:433250724,欢迎对算法.技术感兴趣的同学加入. 最近接下来几篇博文会回到神经网络结构 ...
- 智能学习 | MATLAB实现Bee-CNN蜜蜂算法优化卷积神经网络图像分类预测
智能学习 | MATLAB实现Bee-CNN蜜蜂算法优化卷积神经网络图像分类预测 目录 智能学习 | MATLAB实现Bee-CNN蜜蜂算法优化卷积神经网络图像分类预测 分类效果 基本介绍 模型参数 ...
- (pytorch-深度学习系列)使用Pytorch实现小型卷积神经网络网络
卷积层 卷积神经网络中每层卷积层(Convolutional layer)由若干卷积单元组成,每个卷积单元的参数都是通过反向传播算法最佳化得到的.卷积运算的目的是提取输入的不同特征,第一层卷积层可能只 ...
最新文章
- linux更新驱动脚本,编写Linux驱动常见错误(不断更新)!
- error: Microsoft Visual C++ 14.0 is required.(安装scrapy)
- python画图哆啦a梦-Python—turtle画图(哆啦A梦)
- SpringBoot_日志-指定日志文件和日志Profile功能
- spring boot actuator 入门荔枝
- 基于matlab的人脸五官边缘检测方法,人脸边缘检测方法研究与仿真
- linux nand 坏块_NAND Flash的坏块管理设计
- 面试题29. 顺时针打印矩阵/54. 螺旋矩阵
- 米4用linux刷机救转,小米4变砖之后如何刷机自救?大神教你小米4线刷救砖方法...
- 超详细的Python安装和环境搭建教程
- java 实现将Object类型转换为int类型
- 购买腾讯云学生服务器完整过程
- 【关于微信授权和微信授权限制解决方案】
- matlab如何绘制状态图,[转载]MATLAB画状态方程的向量图
- mysql 生日提醒
- dom解析,解析xml文件
- JavaWeb自学笔记(一)
- v26.08 鸿蒙内核源码分析(自旋锁) | 当立贞节牌坊的好同志 | 百篇博客分析HarmonyOS源码
- Nginx配置 转发URL中包含特殊字符
- Chrome浏览器自带截长图功能,只需两个快捷键!