深度学习之bottleneck layer
一、
bottleneck layery中文名称:瓶颈层。我初次接触也就是在残差网络中。一般在较深的网络中,如resnet101中使用。
一般的结构如下:
其中两个1X1fliter分别用于降低和升高特征维度,主要目的是为了减少参数的数量,从而减少计算量,且在降维之后可以更加有效、直观地进行数据的训练和特征提取,对比如下图所示:
瓶颈层使用的是1*1的卷积神经网络,之所以称之为瓶颈层,是因为长得比较像一个瓶颈:中间比较细,像一个瓶子的颈部。
如上图所示,经过1x1的网络,中间那个看起来比较细。使用1x1网络的一大好处就是可以大幅减少计算量。深度可分离卷积中,也有这样的设计考虑。Bottleneck 结构为之后的深度可分离卷积Depthwise Separable Conv(深度可分离卷积 - 知乎)打下了坚实的基础。
(1)ResNet中的Bottleneck layer
Bottleneck layer这种结构比较常见的出现地方就是ResNet block
(a)没有bottleneck (b)有bottleneck
如图所示分别是有bottleneck和没有bottleneck的ResNet模块。我们看到,使用 1 x 1 的网络结构很方便改变维度。灵活设计网络,并且减小计算量。(来自论文:Deep Residual Learning for Image Recognition)
(2)Linear Bottleneck
Linear Bottleneck这个结构设计来自论文MobileNetV2: Inverted Residual and Linear Bottlenecks 下面就来具体解释一下。
这篇论文中的网络模块也参考了ResNet的网络模块,使用了 1 x 1 的卷积,但所不同的是因为MobileNetV2使用了深度可分离卷积,所以网络结构样子有所调整。
MobileNetV2结构基于inverted residual(本质是一个残差网络设计,传统Residual block是block的两端channel通道数多,中间少,而本文设计的inverted residual是block的两端channel通道数少,block内channel多,类似于沙漏和梭子形态的区别)。
如果详细具体了解Linear Bottleneck,可以看我写的MobileNetV2[链接]
二、
2.1、Bottleneck 结构
在inception网络中,为了减少参数量,我们想了很多方法,例如:用多个小尺寸卷积代替一个大尺寸卷积;做下面的变换:
3x3 = 3x1 + 1x3,这个效果在深度较深的情况下比规整的卷积核更好,当然也包括经典的bottleneck结构。
Bottleneck结构就是为了降低参数量,Bottleneck三步走是先PW(Pointwise Convolution点卷积,也叫1x1卷积)对数据进行降维,再进行常规卷积核的卷积,最后PW对数据进行升维(类似于沙漏型)。我们举个例子,方便我们理解:
根据上图我们来做个计算对比,假设输入的特征图的维度为256维,要求输出维度也是256维。有以下两种操作:
(1)直接使用3x3的卷积核。256维的输入直接经过一个3x3x256的卷积层,输出一个256维的特征图,那么参数量为:256(输入)x3x3x256(卷积核) = 589824
(2)先经过1x1的卷积核,再经过3x3的卷积核,最后经过一个1x1的卷积核。256维的输入先经过一个1x1x64的卷积层,再经过一个3x3x64的卷积层,最后经过一个1x1x256的卷积层,则总参数量为:
256(输入)x1x1x64(卷积核) + 64(输入)x3x3x64(卷积核) + 64(输入)x1x1x256(卷积核) = 69632。
经过两种方式的对比,我们可以很明显的看到(2)中的方式的参数量远小于(1)的方式的。Bottleneck的核心思想还是利用多个小卷积核代替一个大卷积核,利用1x1卷积核代替大的卷积核的一部分工作。
四、标准的BottleNeck
class Bottleneck():def __init__(self, c1, c2, shortcut=True, g=1, e=0.5): # ch_in, ch_out, shortcut, groups, expansionsuper(Bottleneck,self).__init__()c_ = int(c2 * e) #hidden channelsself.cv1 = Conv(c1, c_, 1, 1)self.cv2 = Conv(c_, c2, 3, 1, g = g)self.add = shortcut and c1==c2def forward(self, x):return x + self.cv2(self.cv1(x)) if self.add else self.cv2(self.cv1(x))
参考:
介绍Bottleneck layer结构 - 知乎 (zhihu.com)
(1条消息) 为什么要分别使用1*1,3*3,1*1的卷积核进行降维和升维_Cool_Uncle的博客-CSDN博客_1*1卷积核降维
3*3卷积+1*3卷积+3*1卷积=白给的精度提升 | ICCV 2019 - 知乎 (zhihu.com)
对于xception非常好的理解 - 简书 (jianshu.com)
CNN模型合集 | 26 HarDNet - 知乎 (zhihu.com)
YOLOv5代码详解(common.py部分)_Liaojiajia-2020的博客-CSDN博客
深度学习之bottleneck layer相关推荐
- 深度学习之Bottleneck Layer or Bottleneck Features
在深度学习中经常听闻Bottleneck Layer 或 Bottleneck Features ,亦或 Bottleneck Block,其虽然容易理解,其意思就是输入输出维度差距较大,就像一个瓶 ...
- 深度学习基础--Bottleneck(瓶颈) Architectures
Bottleneck(瓶颈) Architectures ResNet的核心内容之一,即"Deeper Bottleneck Architectures"(简称DBA),一言概 ...
- 深度学习-瓶颈结构(Bottleneck)
1. 简介 论文:Deep Residual Learning for Image Recognition ResNet的核心内容之一即"Deeper Bottleneck Architec ...
- 深度学习之图像分类(十九)-- Bottleneck Transformer(BoTNet)网络详解
深度学习之图像分类(十九)Bottleneck Transformer(BoTNet)网络详解 目录 深度学习之图像分类(十九)Bottleneck Transformer(BoTNet)网络详解 1 ...
- 【深度学习】深入浅出 CRF-RNN Layer(The End-to-end)
[深度学习]深入浅出 CRF-RNN Layer(The End-to-end) 文章目录 1 概述 2 Initialization 3 Message Passing 4 Re-weighting ...
- 【深度学习】移动翻转瓶颈卷积的实现(mobile inverted bottleneck convolution)
[深度学习]移动翻转瓶颈卷积的实现(mobile inverted bottleneck convolution) 文章目录 1 MBConv1.1 Depthwise Convolution1.2 ...
- 深度学习网络backbone?head、neck、bottleneck、GAP、Embedding、pretext task、downstream task、temperature parameter
一些术语: backbone这个单词原意指的是人的脊梁骨,后来引申为支柱,核心的意思.在神经网络中,尤其是CV领域,一般先对图像进行特征提取(常见的有vggnet,resnet,谷歌的inceptio ...
- 3.深度学习练习:Planar data classification with one hidden layer
本文节选自吴恩达老师<深度学习专项课程>编程作业,在此表示感谢. 课程链接:https://www.deeplearning.ai/deep-learning-specialization ...
- Deep Learning and the Information Bottleneck Principle 深度学习与信息瓶颈原理
Deep Learning and the Information Bottleneck Principle 深度学习与信息瓶颈原理 摘要 从信息瓶颈(IB)原理的理论框架出发,对深度神经网络(DNN ...
最新文章
- 使用Keil MDK以及标准外设库创建STM32工程
- codeforces 922E
- 【C语言入门学习笔记】如何把C语言程序变成可执行文件!
- 数据膨胀了?你的数仓又没有空间了?
- GP学习(三)—How to run a geoprocessing tool
- oracle dba开头的表,oracle中以dba_、user_、v$_、all_、session_、index_开头的常用表和视图...
- 数据挖掘:模型选择——线性回归
- 从CSDN用户密码泄露谈一些非技术安全对策
- ffmpeg aac解码pcm
- excel公式和函数
- 某航研究生教务系统开题报告或中期检查表报表无法显示无法导出问题
- 系统思考负反馈之戴明的PDCA循环
- 2020电赛F题–简易无接触温度测量与身份识别装置
- banner图片自适应
- centos7开机无法进入图形界面,出现 sda assuming drive cache write through
- 【中学】判断三角形的形状
- 【JavaEE】网络编程之TCP套接字、UDP套接字
- 李阳常用英语口语365句
- 【Python自动化测试14】Python自动化测试基础与进阶练习题
- 火狐和IE之间的区别