pytorch实现卷积神经网络_pytorch项目

大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE稳定放心使用

论文链接：https://arxiv.org/pdf/1608.06993.pdf
顾名思义，DenseNet采用了高密度的跳连结构，对于每一层，使用先前所有层的输出作为输入，该层的输出将作为之后所有层的输入的一部分。因此对于一个dense模块，假设有$L$层，那么存在$\frac{L(L+1)}{2}$直接的连接。

dense模块之后会连接一个transition层，由1×1卷积和平均池化构成。
作者认为有如下优点：
（1）由于存在很多跳连，减轻了空梯度问题，加强了梯度和信息流动，更容易训练。
（2）加强了特征的重用。
（3）DenseNet层的filter数量比较少，使得层比较狭窄。每层只生成了很小的特征图，成为共同知识中的一员。这样网络的参数更少，且更有效率。

DenseNet结构分析

定义混合函数 $H_l(\cdot )$,由三个连接操作组成：批标准化（BN），ReLU和3×3卷积。
ResNet比较 :恒等函数和混合函数的加和为输出，这样的做法可能会阻止网络中的信息流动。
密度连接： 对于某层，前$l-1$层的输出${\mathbf{x}}_0,\cdots ,{\mathbf{x}}_{l-1}$进行channel水平的连接,生成一个单一的特征图：
$${\mathbf{x}}_l=H_l([{\mathbf{x}}_0,\cdots ,{\mathbf{x}}_{l-1}])$$
池化层：当特征图的尺寸改变时，就无法进行连接了，然后在设计网络时必须要求特征图的尺寸在往后时减少，所以将dense模块分为几个模块。在模块之间设计transition层进行如下：BN，1×1卷积和2×2平均池化。
增长率$k$: 在一个dense模块中，初始输入的特征图模块是$k_0$，若则每层的输出通道$k$,$H_l$的输入为$k_0+k(l-1)$。$k$调整每层多少信息加入到全局信息。
瓶颈层： 虽然每层仅仅产生$k$通道的输出特征图，但是具有很多的输入。使用预激活的瓶颈层，采用如下的处理顺序：BN-ReLU-Conv(1×1)-BN-ReLU-Conv(3×3)，称为DenseNet-B。在实验中，每1×1卷积降维变成$4k$通道特征图。
压缩： 在transition层减少特征图数量，设置压缩因子$0<\theta \le 1$,通过transition层后，产生了$\lfloor \theta m\rfloor$个通道的输出特征图。当$\theta <1$,称为DenseNet-C。在实验中，作者设为$\theta =0.5$。在DenseNet-C上使用瓶颈层被称为DenseNet-BC。

特征重用分析

DenseNet中由于使用该密度的跳连结构使得能够复用前面的feature-map，使用heap-map来分析前面层不同feature-map对当前层的重要程度。

上图展示了卷积层filter权重绝对值的平均值。坐标(s,l)表示在一个dense块中，由第s层传到l层的feature-map，l层权重的平均L1-norm（即权重绝对值的平均值）。我们知道，权重绝对值越大，表示对应的特征越重要，因此也反映了l层对s层的依赖性。红色部分表示强大的使用了s层的feature-map。
从图中作者得到如下4点结论：
1.在相同的块中，所有层的对于输入都具有权重。特征提取在早期层，直接使用在深度层。
2.transition层对于输入都具有权重。DenseNet从第一层到最后一层的信息流动仅通过很少的间接连接。
3.第二层和第三层的dense块一致的对transition层的输出赋予了很小的权重(第一层除外)，表明了transition层的输出对第一层之后的层产生了冗余的特征。
4.最终的分类层更加关注最终的feature-maps，表明有一些高水平的特征产生在后面。

Pytorch实现DenseNet-BC

在论文中，作者公开了ImageNet的DenseNet结构。对于CIFAR，denseNet采用3个dense模块，每个dense模块采用相同数量的bottleneck。例如在DenseNet-BC(k=12) 100中，每个dense模块有16个bottleneck层，3 * (16 *2)=96层，剩下的4层分别为第一层卷积，中间的2层transition层，和最后的全连接层。

import torch
import torch.nn as nn
from collections import OrderedDict
class _DenseLayer(nn.Sequential):
def __init__(self, in_channels, growth_rate, bn_size):
super(_DenseLayer, self).__init__()
self.add_module('norm1', nn.BatchNorm2d(in_channels))
self.add_module('relu1', nn.ReLU(inplace=True))
self.add_module('conv1', nn.Conv2d(in_channels, bn_size * growth_rate,
kernel_size=1,
stride=1, bias=False))
self.add_module('norm2', nn.BatchNorm2d(bn_size*growth_rate))
self.add_module('relu2', nn.ReLU(inplace=True))
self.add_module('conv2', nn.Conv2d(bn_size*growth_rate, growth_rate,
kernel_size=3,
stride=1, padding=1, bias=False))
# 重载forward函数
def forward(self, x):
new_features = super(_DenseLayer, self).forward(x)
return torch.cat([x, new_features], 1)
class _DenseBlock(nn.Sequential):
def __init__(self, num_layers, in_channels, bn_size, growth_rate):
super(_DenseBlock, self).__init__()
for i in range(num_layers):
self.add_module('denselayer%d' % (i+1),
_DenseLayer(in_channels+growth_rate*i,
growth_rate, bn_size))
class _Transition(nn.Sequential):
def __init__(self, in_channels, out_channels):
super(_Transition, self).__init__()
self.add_module('norm', nn.BatchNorm2d(in_channels))
self.add_module('relu', nn.ReLU(inplace=True))
self.add_module('conv', nn.Conv2d(in_channels, out_channels,
kernel_size=1,
stride=1, bias=False))
self.add_module('pool', nn.AvgPool2d(kernel_size=2, stride=2))
class DenseNet_BC(nn.Module):
def __init__(self, growth_rate=12, block_config=(6,12,24,16),
bn_size=4, theta=0.5, num_classes=10):
super(DenseNet_BC, self).__init__()
# 初始的卷积为filter:2倍的growth_rate
num_init_feature = 2 * growth_rate
# 表示cifar-10
if num_classes == 10:
self.features = nn.Sequential(OrderedDict([
('conv0', nn.Conv2d(3, num_init_feature,
kernel_size=3, stride=1,
padding=1, bias=False)),
]))
else:
self.features = nn.Sequential(OrderedDict([
('conv0', nn.Conv2d(3, num_init_feature,
kernel_size=7, stride=2,
padding=3, bias=False)),
('norm0', nn.BatchNorm2d(num_init_feature)),
('relu0', nn.ReLU(inplace=True)),
('pool0', nn.MaxPool2d(kernel_size=3, stride=2, padding=1))
]))
num_feature = num_init_feature
for i, num_layers in enumerate(block_config):
self.features.add_module('denseblock%d' % (i+1),
_DenseBlock(num_layers, num_feature,
bn_size, growth_rate))
num_feature = num_feature + growth_rate * num_layers
if i != len(block_config)-1:
self.features.add_module('transition%d' % (i + 1),
_Transition(num_feature,
int(num_feature * theta)))
num_feature = int(num_feature * theta)
self.features.add_module('norm5', nn.BatchNorm2d(num_feature))
self.features.add_module('relu5', nn.ReLU(inplace=True))
self.features.add_module('avg_pool', nn.AdaptiveAvgPool2d((1, 1)))
self.classifier = nn.Linear(num_feature, num_classes)
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 = features.view(features.size(0), -1)
out = self.classifier(out)
return out
# DenseNet_BC for ImageNet
def DenseNet121():
return DenseNet_BC(growth_rate=32, block_config=(6, 12, 24, 16), num_classes=1000)
def DenseNet169():
return DenseNet_BC(growth_rate=32, block_config=(6, 12, 32, 32), num_classes=1000)
def DenseNet201():
return DenseNet_BC(growth_rate=32, block_config=(6, 12, 48, 32), num_classes=1000)
def DenseNet161():
return DenseNet_BC(growth_rate=48, block_config=(6, 12, 36, 24), num_classes=1000,)
# DenseNet_BC for cifar
def densenet_BC_100():
return DenseNet_BC(growth_rate=12, block_config=(16, 16, 16))