07.7. 稠密连接网络（DenseNet）

文章目录

7.7. 稠密连接网络（DenseNet）
- 7.7.1. 从ResNet到DenseNet
- 7.7.2. 稠密块体
- 7.7.3. 过渡层
- 7.7.4. DenseNet模型
- 7.7.5. 训练模型
- 7.7.6. 小结

7.7. 稠密连接网络（DenseNet）

ResNet极大地改变了如何参数化深层网络中函数的观点。
稠密连接网络（DenseNet）在某种程度上是ResNet的逻辑扩展。

7.7.1. 从ResNet到DenseNet

DenseNet这个名字由变量之间的“稠密连接”而得来，最后一层与之前的所有层紧密相连。稠密连接如图所示

稠密网络主要由2部分构成：稠密块（dense block）和过渡层（transition layer）。
前者定义如何连接输入和输出，而后者则控制通道数量，使其不会太复杂。

7.7.2. 稠密块体

DenseNet使用了ResNet改良版的“批量规范化、激活和卷积”架构。
我们首先实现一下这个架构。

import torch
from torch import nn
from d2l import torch as d2ldef conv_block(input_channels, num_channels):return nn.Sequential(nn.BatchNorm2d(input_channels), nn.ReLU(),nn.Conv2d(input_channels, num_channels, kernel_size=3, padding=1))# 一个稠密块由多个卷积块组成，每个卷积块使用相同数量的输出通道。 然而，在前向传播中，我们将每个卷积块的输入和输出在通道维上连结
class DenseBlock(nn.Module):def __init__(self, num_convs, input_channels, num_channels):super(DenseBlock, self).__init__()layer = []for i in range(num_convs):layer.append(conv_block(num_channels * i + input_channels, num_channels))self.net = nn.Sequential(*layer)def forward(self, X):for blk in self.net:Y = blk(X)# 连接通道维度上每个块的输入和输出X = torch.cat((X, Y), dim=1)return X# 在下面的例子中，我们定义一个有2个输出通道数为10的DenseBlock。
# 卷积块的通道数控制了输出通道数相对于输入通道数的增长，因此也被称为增长率（growth rate）。blk = DenseBlock(2, 3, 10)
X = torch.randn(4, 3, 8, 8)
Y = blk(X)
Y.shape# result
torch.Size([4, 23, 8, 8])

7.7.3. 过渡层

由于每个稠密块都会带来通道数的增加，使用过多则会过于复杂化模型。
而过渡层可以用来控制模型复杂度

def transition_block(input_channels, num_channels):return nn.Sequential(nn.BatchNorm2d(input_channels), nn.ReLU(),nn.Conv2d(input_channels, num_channels, kernel_size=1),nn.AvgPool2d(kernel_size=2, stride=2))# 对上一个例子中稠密块的输出使用通道数为10的过渡层。 此时输出的通道数减为10，高和宽均减半。
blk = transition_block(23, 10)
blk(Y).shape# result
torch.Size([4, 10, 4, 4])

7.7.4. DenseNet模型

我们来构造DenseNet模型。DenseNet首先使用同ResNet一样的单卷积层和最大汇聚层。

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))# 在每个模块之间，ResNet通过步幅为2的残差块减小高和宽，DenseNet则使用过渡层来减半高和宽，并减半通道数。
# num_channels为当前的通道数
num_channels, growth_rate = 64, 32
num_convs_in_dense_blocks = [4, 4, 4, 4]
blks = []
for i, num_convs in enumerate(num_convs_in_dense_blocks):blks.append(DenseBlock(num_convs, num_channels, growth_rate))# 上一个稠密块的输出通道数num_channels += num_convs * growth_rate# 在稠密块之间添加一个转换层，使通道数量减半if i != len(num_convs_in_dense_blocks) - 1:blks.append(transition_block(num_channels, num_channels // 2))num_channels = num_channels // 2# 与ResNet类似，最后接上全局汇聚层和全连接层来输出结果。
net = nn.Sequential(b1, *blks,nn.BatchNorm2d(num_channels), nn.ReLU(),nn.AdaptiveAvgPool2d((1, 1)),nn.Flatten(),nn.Linear(num_channels, 10))

7.7.5. 训练模型

由于这里使用了比较深的网络，本节里我们将输入高和宽从224降到96来简化计算。

lr, num_epochs, batch_size = 0.1, 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())#  result
loss 0.140, train acc 0.950, test acc 0.838
5569.1 examples/sec on cuda:0

7.7.6. 小结

在跨层连接上，不同于ResNet中将输入与输出相加，稠密连接网络（DenseNet）在通道维上连结输入与输出。
DenseNet的主要构建模块是稠密块和过渡层。
在构建DenseNet时，我们需要通过添加过渡层来控制网络的维数，从而再次减少通道的数量。

07.7. 稠密连接网络（DenseNet）相关推荐

（pytorch-深度学习）实现稠密连接网络（DenseNet）
稠密连接网络(DenseNet) ResNet中的跨层连接设计引申出了数个后续工作.稠密连接网络(DenseNet)与ResNet的主要区别在于在跨层连接上的主要区别: ResNet使用相加 Dens ...
MXNet对DenseNet(稠密连接网络)的实现
论文地址:Densely Connected Convolutional Networks DenseNet其实跟前面的ResNet是很相似的,我们知道ResNet的梯度可以直接通过身份函数(激活函数 ...
DenseNet稠密连接网络（pyTorch源码）
原文:https://blog.csdn.net/qq_43360533/article/details/107448369 目录 1 Introduction 3 过渡层 4 DenseNet模型 ...
《动手学深度学习》第二十三天---稠密连接网络（DenseNet）
(一)DenseNet DenseNet作为另一种拥有较深层数的卷积神经网络,具有如下优点: (1) 相比ResNet拥有更少的参数数量. (2) 旁路加强了特征(feature)的重用. (3) 网 ...
稠密连接网络（DenseNet）
普通块稠密块其本质是把映射为如下: DenseNet网络直观认识用数学式子表达是: 参考文献 1 Dive into Deep Learning: 2 https://mp.csdn.net/ ...
经典网络结构 (六)：DenseNet (Densely Connected Networks 稠密连接网络)
目录 Function Decomposition 稠密块(dense block) 过渡层(transition layer) DenseNet 模型 Why do we use average p ...
Pytorch Note32 稠密连接的卷积网络 DenseNet
Pytorch Note32 稠密连接的卷积网络 DenseNet 文章目录 Pytorch Note32 稠密连接的卷积网络 DenseNet DenseNet Dense Block DenseN ...
轻量级卷积网络DenseNet：密集连接卷积网络
原文地址:CVPR 2017 <Densely Connected Convolutional Networks> 卷积神经网络如何提高效果: 网络做得更深:ResNet,解决了网络深时的 ...
DenseNet稠密连接层
DenseNet稠密连接层 1.介绍与ResNet的主要区别在于,DenseNet里模块B的输出不是像ResNet那样和模块A的输出相加,而是在通道维上连结. DenseNet的主要构建模块是稠密块 ...