建设网站设计专业服务,wordpress 谷歌头像,动态域名解析,上海外包公司排行LeNet、AlexNet和VGG的设计模式都是先用卷积层与汇聚层提取特征#xff0c;然后用全连接层对特征进行处理。
AlexNet和VGG对LeNet的改进主要在于扩大和加深这两个模块。网络中的网络#xff08;NiN#xff09;则是在每个像素的通道上分别使用多层感知机。
import torch
fr…LeNet、AlexNet和VGG的设计模式都是先用卷积层与汇聚层提取特征然后用全连接层对特征进行处理。
AlexNet和VGG对LeNet的改进主要在于扩大和加深这两个模块。网络中的网络NiN则是在每个像素的通道上分别使用多层感知机。
import torch
from torch import nn
from d2l import torch as d2l7.3.1 NiN
NiN的想法是在每个像素位置应用一个全连接层。 如果我们将权重连接到每个空间位置我们可以将其视为 1 × 1 1\times 1 1×1 卷积层即是作为在每个像素位置上独立作用的全连接层。 从另一个角度看是将空间维度中的每个像素视为单个样本将通道维度视为不同特征feature。
NiN块以一个普通卷积层开始后面是两个 1 × 1 1\times 1 1×1 的卷积层。这两个卷积层充当带有ReLU激活函数的逐像素全连接层。
def nin_block(in_channels, out_channels, kernel_size, strides, padding):return nn.Sequential(nn.Conv2d(in_channels, out_channels, kernel_size, strides, padding),nn.ReLU(),nn.Conv2d(out_channels, out_channels, kernel_size1), nn.ReLU(),nn.Conv2d(out_channels, out_channels, kernel_size1), nn.ReLU())7.3.2 NiN 模型
最初的 NiN 网络是在 AlexNet 后不久提出的显然 NiN 网络是从 AlexNet 中得到了一些启示的。 NiN 使用窗口形状为 11 × 11 11\times 11 11×11 、 5 × 5 5\times 5 5×5 和 3 × 3 3\times 3 3×3 的卷积层输出通道数量与 AlexNet 中的相同。每个NiN块后有一个最大汇聚层汇聚窗口形状为 3 × 3 3\times 3 3×3 步幅为 2。
NiN 和 AlexNet 之间的显著区别是 NiN 使用一个 NiN 块取代了全连接层。其输出通道数等于标签类别的数量。最后放一个全局平均汇聚层生成一个对数几率。
NiN 设计的一个优点是显著减少了模型所需参数的数量。然而在实践中这种设计有时会增加训练模型的时间。 net nn.Sequential(nin_block(1, 96, kernel_size11, strides4, padding0),nn.MaxPool2d(3, stride2),nin_block(96, 256, kernel_size5, strides1, padding2),nn.MaxPool2d(3, stride2),nin_block(256, 384, kernel_size3, strides1, padding1),nn.MaxPool2d(3, stride2),nn.Dropout(0.5),# 标签类别数是10nin_block(384, 10, kernel_size3, strides1, padding1),nn.AdaptiveAvgPool2d((1, 1)),# 将四维的输出转成二维的输出其形状为(批量大小,10)nn.Flatten())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, 96, 54, 54])
MaxPool2d output shape: torch.Size([1, 96, 26, 26])
Sequential output shape: torch.Size([1, 256, 26, 26])
MaxPool2d output shape: torch.Size([1, 256, 12, 12])
Sequential output shape: torch.Size([1, 384, 12, 12])
MaxPool2d output shape: torch.Size([1, 384, 5, 5])
Dropout output shape: torch.Size([1, 384, 5, 5])
Sequential output shape: torch.Size([1, 10, 5, 5])
AdaptiveAvgPool2d output shape: torch.Size([1, 10, 1, 1])
Flatten output shape: torch.Size([1, 10])7.3.3 训练模型
lr, num_epochs, batch_size 0.1, 10, 128
train_iter, test_iter d2l.load_data_fashion_mnist(batch_size, resize224)
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu()) # 大约需要二十五分钟慎跑loss 0.600, train acc 0.769, test acc 0.775
447.9 examples/sec on cuda:0练习
1调整 NiN 的超参数以提高分类准确性。
net2 nn.Sequential(nin_block(1, 96, kernel_size11, strides4, padding0),nn.MaxPool2d(3, stride2),nin_block(96, 256, kernel_size5, strides1, padding2),nn.MaxPool2d(3, stride2),nin_block(256, 384, kernel_size3, strides1, padding1),nn.MaxPool2d(3, stride2),nn.Dropout(0.5),nin_block(384, 10, kernel_size3, strides1, padding1),nn.AdaptiveAvgPool2d((1, 1)),nn.Flatten())lr, num_epochs, batch_size 0.15, 12, 128
train_iter, test_iter d2l.load_data_fashion_mnist(batch_size, resize224)
d2l.train_ch6(net2, train_iter, test_iter, num_epochs, lr, d2l.try_gpu()) # 大约需要三十分钟慎跑loss 0.353, train acc 0.871, test acc 0.884
449.5 examples/sec on cuda:0学习率调大一点点之后精度更高了但是波动变的分外严重。 2为什么 NiN 块中有两个 1 × 1 1\times 1 1×1 的卷积层删除其中一个然后观察和分析实验现象。
def nin_block2(in_channels, out_channels, kernel_size, strides, padding):return nn.Sequential(nn.Conv2d(in_channels, out_channels, kernel_size, strides, padding),nn.ReLU(),nn.Conv2d(out_channels, out_channels, kernel_size1), nn.ReLU())net3 nn.Sequential(nin_block2(1, 96, kernel_size11, strides4, padding0),nn.MaxPool2d(3, stride2),nin_block2(96, 256, kernel_size5, strides1, padding2),nn.MaxPool2d(3, stride2),nin_block2(256, 384, kernel_size3, strides1, padding1),nn.MaxPool2d(3, stride2),nn.Dropout(0.5),# 标签类别数是10nin_block2(384, 10, kernel_size3, strides1, padding1),nn.AdaptiveAvgPool2d((1, 1)),# 将四维的输出转成二维的输出其形状为(批量大小,10)nn.Flatten())lr, num_epochs, batch_size 0.15, 10, 128
train_iter, test_iter d2l.load_data_fashion_mnist(batch_size, resize224)
d2l.train_ch6(net3, train_iter, test_iter, num_epochs, lr, d2l.try_gpu()) # 大约需要二十分钟慎跑loss 0.309, train acc 0.884, test acc 0.890
607.5 examples/sec on cuda:0有时候会更好有时候会不收敛。 3计算 NiN 的资源使用情况。
a. 参数的数量是多少b. 计算量是多少c. 训练期间需要多少显存?d. 预测期间需要多少显存?a. 参数数量 [ 11 × 11 2 ] [ 5 × 5 2 ] [ 3 × 3 2 ] [ 3 × 3 2 ] 123 27 11 11 172 \begin{align} [11\times 11 2] [5\times 5 2] [3\times 3 2] [3\times 3 2]\\ 123271111\\ 172 \end{align} [11×112][5×52][3×32][3×32]123271111172
b. 计算量 { [ ( 224 − 11 4 ) / 4 ] 2 × 1 1 2 × 96 22 4 2 × 2 } [ ( 26 − 5 2 1 ) 2 × 5 2 × 96 × 256 2 6 2 × 2 ] [ ( 12 − 3 1 1 ) 2 × 3 2 × 256 × 384 1 2 2 × 2 ] [ ( 5 − 3 1 1 ) 2 × 3 2 × 384 × 10 5 2 × 2 ] 34286966 353895752 107053344 553010 495789072 \begin{align} \{[(224-114)/4]^2\times 11^2\times 96 224^2\times 2\} [(26-521)^2\times 5^2\times 96\times 256 26^2\times 2] \\ [(12-311)^2\times 3^2\times 256\times 384 12^2\times 2][(5-311)^2\times 3^2\times 384\times 10 5^2\times 2]\\ 34286966353895752107053344553010\\ 495789072 \end{align} {[(224−114)/4]2×112×962242×2}[(26−521)2×52×96×256262×2][(12−311)2×32×256×384122×2][(5−311)2×32×384×1052×2]34286966353895752107053344553010495789072 4一次性直接将 384 × 5 × 5 384\times 5\times 5 384×5×5 的表示压缩为 10 × 5 × 5 10\times 5\times 5 10×5×5 的表示会存在哪些问题
压缩太快可能导致特征损失过多。
