进入官方网站浏览器,筑招网,网站页面建设需要ps吗,科技公司很多都是骗子公司吗模型介绍
DenseNet的主要思想是密集连接#xff0c;它在卷积神经网络#xff08;CNN#xff09;中引入了密集块#xff08;Dense Block#xff09;#xff0c;在这些块中#xff0c;每个层都与前面所有层直接连接。这种设计可以让信息更快速地传播#xff0c;有助于解…模型介绍
DenseNet的主要思想是密集连接它在卷积神经网络CNN中引入了密集块Dense Block在这些块中每个层都与前面所有层直接连接。这种设计可以让信息更快速地传播有助于解决梯度消失的问题同时也能够增加网络的参数共享减少参数量提高模型的效率和性能。
Desnet原理
DenseNet 的原理可以总结为以下几个关键点 密集连接的块 DenseNet 将网络分成多个密集块Dense Block。在每个密集块内每一层都连接到前面所有的层不仅仅是前一层。这种连接方式使得信息能够更加快速地传播允许网络在更早的阶段融合不同层的特征。 跳跃连接 每一层都从前面所有的层接收特征作为输入。这些输入通过堆叠而来从而构成了一个密集的特征图。这种跳跃连接有助于解决梯度消失问题因为每一层都可以直接访问之前层的梯度信息使得训练更加稳定。 特征重用性 由于每一层都与前面所有层连接网络可以自动地学习到更加丰富和复杂的特征表示。这样的特征重用性有助于提高网络的性能同时减少了需要训练的参数数量。 过渡层 在密集块之间通常会使用过渡层Transition Layer来控制特征图的大小。过渡层包括一个卷积层和一个池化层用于减小特征图的尺寸从而减少计算量。 Desnet的结构
关于 DenseNet 的结构时我们主要关注网络中的三个主要组成部分密集块Dense Block、过渡层Transition Layer以及全局平均池化层。
密集块
密集块是 DenseNet 最核心的部分由若干层组成。在密集块中每一层都与前面所有层直接连接。这种密集连接的方式使得信息可以更充分地传递和重用。每一层的输出都是前面所有层输出的连结这也意味着每一层的输入包括了前面所有层的特征。这种连接方式通过堆叠层的方式构建了一个密集的特征图。
过渡层
在密集块之间可以使用过渡层来控制特征图的大小从而减少计算成本。过渡层由一个卷积层和一个池化层组成。卷积层用于减小通道数从而降低特征图的维度。池化层通常是平均池化用于减小特征图的尺寸。这些操作有助于在保持网络性能的同时降低计算需求。
全局平均池化层
在整个 DenseNet 结构的末尾通常会添加一个全局平均池化层。这一层的作用是将最终的特征图转换为全局汇总的特征这对于分类任务是非常有用的。全局平均池化层计算每个通道上的平均值将每个通道转换为一个标量从而形成最终的预测。
DenseNet 结构的特点不仅在每个密集块内进行特征的密集连接还在不同密集块之间使用过渡层来控制网络的尺寸和复杂度。这使得 DenseNet 能够在高度复杂的任务中表现出色同时保持相对较少的参数。
这些在论文当中也有体现 Desnet的优缺点比较
优点 密集连接促进信息传递和特征重用提升了网络性能。 跳跃连接减少了梯度消失有助于训练深层网络。 密集连接减少参数数量提高了模型效率。 早期融合多尺度特征增强了表征能力。 在小样本情况下表现更佳充分利用有限数据。
缺点 密集连接可能导致内存需求增大。 连接多导致计算量增加训练和推理时间较长。 可能因复杂性导致过拟合需考虑正则化。
其实综合考虑Desnet在图像识别和计算机视觉任务中仍然是一个好的选择。
Pytorch实现Desnet
import torch
import torchvision
import torch.nn as nn
import torchsummary
import torch.nn.functional as F
from torch.hub import load_state_dict_from_url
from collections import OrderedDict
from torchvision.utils import _log_api_usage_once
import torch.utils.checkpoint as cpmodel_urls {densenet121:https://download.pytorch.org/models/densenet121-a639ec97.pth,densenet161:https://download.pytorch.org/models/densenet161-8d451a50.pth,densenet169:https://download.pytorch.org/models/densenet169-b2777c0a.pth,densenet201:https://download.pytorch.org/models/densenet201-c1103571.pth,
}
cfgs {densenet121:(6, 12, 24, 16),densenet161:(6, 12, 36, 24),densenet169:(6, 12, 32, 32),densenet201:(6, 12, 48, 32),
}class DenseLayer(nn.Module):def __init__(self, num_input_features, growth_rate, bn_size, drop_rate, memory_efficient False):super(DenseLayer,self).__init__()self.norm1 nn.BatchNorm2d(num_input_features)self.relu1 nn.ReLU(inplaceTrue)self.conv1 nn.Conv2d(num_input_features, bn_size * growth_rate, kernel_size1, stride1, biasFalse)self.norm2 nn.BatchNorm2d(bn_size * growth_rate)self.relu2 nn.ReLU(inplaceTrue)self.conv2 nn.Conv2d(bn_size * growth_rate, growth_rate, kernel_size3, stride1, padding1, biasFalse)self.drop_rate float(drop_rate)self.memory_efficient memory_efficientdef bn_function(self, inputs):concated_features torch.cat(inputs, 1)bottleneck_output self.conv1(self.relu1(self.norm1(concated_features)))return bottleneck_outputdef any_requires_grad(self, input):for tensor in input:if tensor.requires_grad:return Truereturn Falsetorch.jit.unuseddef call_checkpoint_bottleneck(self, input):def closure(*inputs):return self.bn_function(inputs)return cp.checkpoint(closure, *input)def forward(self, input):if isinstance(input, torch.Tensor):prev_features [input]else:prev_features inputif self.memory_efficient and self.any_requires_grad(prev_features):if torch.jit.is_scripting():raise Exception(Memory Efficient not supported in JIT)bottleneck_output self.call_checkpoint_bottleneck(prev_features)else:bottleneck_output self.bn_function(prev_features)new_features self.conv2(self.relu2(self.norm2(bottleneck_output)))if self.drop_rate 0:new_features F.dropout(new_features, pself.drop_rate, trainingself.training)return new_featuresclass DenseBlock(nn.ModuleDict):def __init__(self,num_layers,num_input_features,bn_size,growth_rate,drop_rate,memory_efficient False,):super(DenseBlock,self).__init__()for i in range(num_layers):layer DenseLayer(num_input_features i * growth_rate,growth_rategrowth_rate,bn_sizebn_size,drop_ratedrop_rate,memory_efficientmemory_efficient,)self.add_module(denselayer%d % (i 1), layer)def forward(self, init_features):features [init_features]for name, layer in self.items():new_features layer(features)features.append(new_features)return torch.cat(features, 1)class Transition(nn.Sequential):Densenet Transition Layer:1 × 1 conv2 × 2 average pool, stride 2def __init__(self, num_input_features, num_output_features):super(Transition,self).__init__()self.norm nn.BatchNorm2d(num_input_features)self.relu nn.ReLU(inplaceTrue)self.conv nn.Conv2d(num_input_features, num_output_features, kernel_size1, stride1, biasFalse)self.pool nn.AvgPool2d(kernel_size2, stride2)class DenseNet(nn.Module):def __init__(self,growth_rate 32,num_init_features 64,block_config None,num_classes 1000,bn_size 4,drop_rate 0.,memory_efficient False,):super(DenseNet,self).__init__()_log_api_usage_once(self)# First convolutionself.features nn.Sequential(OrderedDict([(conv0, nn.Conv2d(3, num_init_features, kernel_size7, stride2, padding3, biasFalse)),(norm0, nn.BatchNorm2d(num_init_features)),(relu0, nn.ReLU(inplaceTrue)),(pool0, nn.MaxPool2d(kernel_size3, stride2, padding1)),]))# Each denseblocknum_features num_init_featuresfor i, num_layers in enumerate(block_config):block DenseBlock(num_layersnum_layers,num_input_featuresnum_features,bn_sizebn_size,growth_rategrowth_rate,drop_ratedrop_rate,memory_efficientmemory_efficient,)self.features.add_module(denseblock%d % (i 1), block)num_features num_features num_layers * growth_rateif i ! len(block_config) - 1:trans Transition(num_input_featuresnum_features, num_output_featuresnum_features // 2)self.features.add_module(transition%d % (i 1), trans)num_features num_features // 2# Final batch normself.features.add_module(norm5, nn.BatchNorm2d(num_features))# Linear layerself.classifier nn.Linear(num_features, num_classes)# Official init from torch repo.for m in self.modules():if isinstance(m, nn.Conv2d):nn.init.kaiming_normal_(m.weight)elif isinstance(m, nn.BatchNorm2d):nn.init.constant_(m.weight, 1)nn.init.constant_(m.bias, 0)elif isinstance(m, nn.Linear):nn.init.constant_(m.bias, 0)def forward(self, x):features self.features(x)out F.relu(features, inplaceTrue)out F.adaptive_avg_pool2d(out, (1, 1))out torch.flatten(out, 1)out self.classifier(out)return outdef densenet(growth_rate32,num_init_features64,num_classes1000,modedensenet121,pretrainedFalse,**kwargs):import repattern re.compile(r^(.*denselayer\d\.(?:norm|relu|conv))\.((?:[12])\.(?:weight|bias|running_mean|running_var))$)if mode densenet161:growth_rate48num_init_features96model DenseNet(growth_rate, num_init_features, cfgs[mode],num_classesnum_classes, **kwargs)if pretrained:state_dict load_state_dict_from_url(model_urls[mode], model_dir./model, progressTrue) # 预训练模型地址for key in list(state_dict.keys()):res pattern.match(key)if res:new_key res.group(1) res.group(2)state_dict[new_key] state_dict[key]del state_dict[key]if num_classes ! 1000:num_new_classes num_classesweight state_dict[classifier.weight]bias state_dict[classifier.bias]weight_new weight[:num_new_classes, :]bias_new bias[:num_new_classes]state_dict[classifier.weight] weight_newstate_dict[classifier.bias] bias_newmodel.load_state_dict(state_dict)return modelfrom torchsummaryX import summaryif __name__ __main__:in_channels 3num_classes 10device torch.device(cuda if torch.cuda.is_available() else cpu)model densenet(growth_rate32, num_init_features64, num_classesnum_classes, modedensenet121, pretrainedTrue)model model.to(device)print(model)summary(model, torch.zeros((1, in_channels, 224, 224)).to(device))
