赞
踩
关于ResNet残差网络,最本质且主要的公式如下:
f ( x ) = g ( x ) + x f(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, x x x 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。
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): #@save def __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 = None self.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) + x return 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 × 1 1 \times 1 1×1 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])
定义b1环节模型,包含一个 7 × 7 7 \times 7 7×7 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 × 1 1 \times 1 1×1 卷积层)。 加上第一个 7 × 7 7 \times 7 7×7 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])
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。
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。
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。