ResNet - 残差神经网络(CNN卷积神经网络)
文章目录
- ResNet - 残差网络
- 定义残差块(Residual)
- ResNet模型
- 训练模型
- 小结
ResNet - 残差网络
关于ResNet残差网络,最本质且主要的公式如下:
f(x)=g(x)+xf(x) = g(x) + x f(x)=g(x)+x
可以认为 f(x)f(x)f(x) 是最终残差网络的输出, g(x)g(x)g(x) 是残差网络中两次卷积的输出, xxx 是样本数据集。
一个残差块的主要结构如下图所示:
下面我们来先定义一个残差块Residual。
定义残差块(Residual)
import torch
from torch import nn
from torch.nn import functional as F
from d2l import torch as d2l"""
定义残差网络
每个残差块的具体逻辑:
1、3*3卷积层操作
2、批量规范化
3、relu激活函数
4、3*3卷积层操作
5、批量规范化
称以上5步的操作为f(x)函数
若未指定1*1卷积操作,则输出返回 x + f(x)
否则返回 conv3(x) + f(x), 其中conv3()代表1*1卷积层
"""
class Residual(nn.Module): #@savedef __init__(self, input_channels, num_channels,use_1x1conv=False, strides=1):super().__init__()self.conv1 = nn.Conv2d(input_channels, num_channels,kernel_size=3, padding=1, stride=strides) #3*3卷积操作self.conv2 = nn.Conv2d(num_channels, num_channels,kernel_size=3, padding=1) #3*3卷积操作if use_1x1conv:self.conv3 = nn.Conv2d(input_channels, num_channels, #是否使用1*1卷积层操作kernel_size=1, stride=strides)else:self.conv3 = Noneself.bn1 = nn.BatchNorm2d(num_channels)self.bn2 = nn.BatchNorm2d(num_channels) #两个批量规范化操作def forward(self, X):Y = F.relu(self.bn1(self.conv1(X)))Y = self.bn2(self.conv2(Y)) #对样本数据进行两次卷积操作,得到g(x)if self.conv3: X = self.conv3(X)Y += X #加上x,即 f(x) = g(x) + xreturn F.relu(Y)
该代码会生成两种类型的网络:
1.当use_1x1conv=False时,应用ReLU非线性函数之前,将输入添加到输出。
2.当use_1x1conv=True时,添加通过 1×11 \times 11×1 卷积调整通道和分辨率。
下面我们来查看输入和输出形状一致的情况。
#注意,当未使用1*1卷积层时,输入通道数和输出通道数要保持一致,否则会出现 X 与 Y 形状不一致相加出现错误的现象
blk = Residual(3, 3)
X = torch.rand(4, 3, 6, 6) #定义X数据集为4个样本数,3个通道,每个图片为 6*6
Y = blk(X)
Y.shape
torch.Size([4, 3, 6, 6])
blk = Residual(3, 6, use_1x1conv=True, strides=2)
blk(X).shape
torch.Size([4, 6, 3, 3])
ResNet模型
定义b1环节模型,包含一个 7×77 \times 77×7 的卷积层、批量规范化层、relu激活函数、最大汇聚层(池化层)。
b1 = nn.Sequential(nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3),nn.BatchNorm2d(64), nn.ReLU(),nn.MaxPool2d(kernel_size=3, stride=2, padding=1))
ResNet使用4个由残差块组成的模块,每个模块使用若干个同样输出通道数的残差块。 第一个模块的通道数同输入通道数一致。 由于之前已经使用了步幅为2的最大汇聚层,所以无须减小高和宽。 之后的每个模块在第一个残差块里将上一个模块的通道数翻倍,并将高和宽减半。
下面我们来实现这个模块。注意,我们对第一个模块做了特别处理。
#定义残差块,输入参数分别为输入、输出通道数,残差网络数目
def resent_block(input_channels, num_channels, num_residuals, first_block=False):blk = [] #定义残差网络列表for i in range(num_residuals):if i == 0 and not first_block:#如果是第一个残差网络,则将宽高减半blk.append(Residual(input_channels, num_channels, use_1x1conv=True, strides=2))else:#后续的残差网络blk.append(Residual(num_channels, num_channels))return blk
接着在ResNet加入所有残差块,这里残差块存在两个残差网络。
b2 = nn.Sequential(*resent_block(64, 64, 2, first_block=True))
b3 = nn.Sequential(*resent_block(64, 128, 2))
b4 = nn.Sequential(*resent_block(128, 256, 2))
b5 = nn.Sequential(*resent_block(256, 512, 2))
最后,在ResNet中加入全局平均汇聚层,以及全连接层输出。
net = nn.Sequential(b1, b2, b3, b4, b5,nn.AdaptiveAvgPool2d((1, 1)),nn.Flatten(), nn.Linear(512, 10))
每个模块有4个卷积层(不包括恒等映射的 1×11 \times 11×1 卷积层)。 加上第一个 7×77 \times 77×7 卷积层和最后一个全连接层,共有18层。 因此,这种模型通常被称为ResNet-18。 通过配置不同的通道数和模块里的残差块数可以得到不同的ResNet模型,例如更深的含152层的ResNet-152。 虽然ResNet的主体架构跟GoogLeNet类似,但ResNet架构更简单,修改也更方便。这些因素都导致了ResNet迅速被广泛使用。 下图描述了完整的ResNet-18。
现在我们来测试下网络的结构
X = torch.rand(size=(1, 1, 224, 224))
for layer in net:X = layer(X)print(layer.__class__.__name__, 'output shape:\t', X.shape)
Sequential output shape: torch.Size([1, 64, 56, 56])
Sequential output shape: torch.Size([1, 64, 56, 56])
Sequential output shape: torch.Size([1, 128, 28, 28])
Sequential output shape: torch.Size([1, 256, 14, 14])
Sequential output shape: torch.Size([1, 512, 7, 7])
AdaptiveAvgPool2d output shape: torch.Size([1, 512, 1, 1])
Flatten output shape: torch.Size([1, 512])
Linear output shape: torch.Size([1, 10])
训练模型
同之前一样,我们在Fashion-MNIST数据集上训练ResNet。
lr, num_epochs, batch_size = 0.05, 10, 256
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())
可见,训练集的精确度为 0.996,测试集的精确度为 0.919,性能较好。
小结
1.学习嵌套函数(nested function) 是训练神经网络的理想情况。
2.残差映射可以更容易地学习同一函数,例如将权重层中的参数近似为零。
3.利用残差块(residual blocks)可以训练出一个有效的深层神经网络:输入可以通过层间的残余连接更快地向前传播。
4.残差网络(ResNet)对随后的深层神经网络设计产生了深远影响。
ResNet - 残差神经网络(CNN卷积神经网络)相关推荐
- DenseNet - 稠密神经网络(CNN卷积神经网络)
文章目录 DenseNet - 稠密神经网络 稠密块体 稠密块中的卷积层 稠密块 过渡层 DenseNet模型 训练模型 小结 DenseNet - 稠密神经网络 ResNet极大地改变了如何参数化深 ...
- 深度学习之CNN卷积神经网络
详解卷积神经网络(CNN) 卷积神经网络(Convolutional Neural Network, CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出 ...
- 【卷积神经网络】卷积神经网络(Convolutional Neural Networks, CNN)基础
卷积神经网络(Convolutional Neural Networks, CNN),是一种 针对图像 的特殊的 神经网络. 卷积神经网络概述 Why not DNN? 图像数据的维数很高,比如 1, ...
- 搭建CNN卷积神经网络(用pytorch搭建)
手撕卷积神经网络-CNN 卷积:提取特征 池化:压缩特征 heigh X weigh X depth 长度 宽度.深度(也就是特征图个数) 例如输入32x32x3 hxwxc 卷积就是取某个小区域进行 ...
- CNN卷积神经网络之RegNet
CNN卷积神经网络之RegNet 前言 设计思路 AnyNet设计空间 网络结构 实验结果 消融实验结论 前言 <Designing Network Design Spaces> 论文地址 ...
- tf2.0先试试图片(七)——CNN卷积神经网络
之前已经介绍了TenforFlow的基本操作和神经网络,主要是全联接网络的一些概念: tf2.0先试试图片(七)--CNN卷积神经网络 7.0 简介 7.1 全连接网络的问题 7.1.1 局部相关性 ...
- CNN卷积神经网络之SENet及代码
CNN卷积神经网络之SENet 个人成果,禁止以任何形式转载或抄袭! 一.前言 二.SE block细节 SE block的运用实例 模型的复杂度 三.消融实验 1.降维系数r 2.Squeeze操作 ...
- CNN卷积神经网络详解
1.cnn卷积神经网络的概念 卷积神经网络(CNN),这是深度学习算法应用最成功的领域之一,卷积神经网络包括一维卷积神经网络,二维卷积神经网络以及三维卷积神经网络.一维卷积神经网络主要用于序列类的数据 ...
- BP神经网络与卷积神经网络(CNN)
BP神经网络与卷积神经网络(CNN) 1.BP神经网络 1.1 神经网络基础 神经网络的基本组成单元是神经元.神经元的通用模型如图 1所示,其中常用的激活函数有阈值函数.sigmoid函数和双曲正 ...
最新文章
- ML之LiR:机器学习经典算法之线性回归算法LiR的简介、使用方法、经典案例之详细攻略
- 修改Bootstrap的一些默认样式
- JZOJ 3600. 【CQOI2014】通配符匹配
- struts.xml中class路径错误报错的问题
- XML基础——extensible markup language
- HIve内置函数(functions)使用和解析
- 6.网络层(4)---IP多播,NAT
- 此男因为什么被送进医院?
- 西南科技大学OJ题 约瑟夫问题的实现0956
- C++面向对象课程设计实例-图书馆借阅系统
- 贴片led极性_贴片发光二极管正负极判断方法详解
- python爬取通过百度图片搜出来的所有图片
- 慕尼黑工业大学计算机博士申请条件,慕尼黑大学博士条件
- 如何使用商品历史价格查询网站
- LWN:Linux audio plugin APIs综述!
- Pytorch实现人脸多属性识别
- 使用MATLAB2014a将灰度图转为彩色图
- 基于SSH的校园二手物品交易系统
- Python代码在Pycharm中不起作用,但在Jupiter Notebook中执行良好
- P5551 Chino的树学
热门文章
- 能力风暴机器人AS-MF2011小试身手
- 信息技术用计算机画画教学设计,小学四年级信息技术用计算机画画教学设计
- How to reply when sb say Thank you to you
- 大数据处理技术导论(6) | Datawhale组队学习46期
- 无纸化测评计算机基础知识,《计算机应用基础》自考计算机无纸化考试
- 计算机基础知识学员评价,大学计算机基础课程评价的模式的探讨.doc
- PMP证书的有效期是多久?
- 2021年中国禽蛋行业现状分析:禽蛋产量同比下降1.7%[图]
- 【杂文】话说红颜知已
- 电脑BIOS 设置怎样从光盘(USB优盘)启动