深度学习入门(三十)卷积神经网络——NiN
深度学习入门(三十)卷积神经网络——NiN
- 前言
- 卷积神经网络——NiN
- 课件
- 网络中的网络NiN
- 全连接层的问题
- NiN块
- NiN架构
- NiN Networks
- 总结
- 教材
- 1 NiN块
- 2 NiN模型
- 3 训练模型
- 4 小结
- 参考文献
前言
核心内容来自博客链接1博客连接2希望大家多多支持作者
本文记录用,防止遗忘
卷积神经网络——NiN
课件
网络中的网络NiN
全连接层的问题
卷积层需要较少的参数ci×co×k2c_i\times c_o\times k^2ci×co×k2
但卷积层后的第一个全连接层的参数
LeNet 16x5x5x120=48k
AlexNet 256x5x5x4096=26M.
VGG 512x7x7x4096= 102M
NiN块
一个卷积层后跟两个全连接层
- 步幅1,无填充,输出形状跟卷积层输出—样
- 起到全连接层的作用
- ![在这里插入图片描述](https://img-blog.csdnimg.cn/6805e72ffb1e4a6f8438ab9f71e14542.png)
NiN架构
无全连接层
交替使用NiN块和步幅为2的最大池化层
- 逐步减小高宽和增大通道数
最后使用全局平均池化层得到输出
- 其输入通道数是类别数
NiN Networks
总结
1、NiN块使用卷积层加两个1x1卷积层,后者对每个像素增加了非线性性
2、NiN使用全局平均池化层来替代VGG和AlexNet中的全连接层
3、不容易过拟合,更少的参数个数教材
LeNet、AlexNet和VGG都有一个共同的设计模式:通过一系列的卷积层与汇聚层来提取空间结构特征;然后通过全连接层对特征的表征进行处理。 AlexNet和VGG对LeNet的改进主要在于如何扩大和加深这两个模块。 或者,可以想象在这个过程的早期使用全连接层。然而,如果使用了全连接层,可能会完全放弃表征的空间结构。 网络中的网络(NiN)提供了一个非常简单的解决方案:在每个像素的通道上分别使用多层感知机。
1 NiN块
回想一下,卷积层的输入和输出由四维张量组成,张量的每个轴分别对应样本、通道、高度和宽度。 另外,全连接层的输入和输出通常是分别对应于样本和特征的二维张量。 NiN的想法是在每个像素位置(针对每个高度和宽度)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1×11\times 11×1卷积层,或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,即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)。
下图说明了VGG和NiN及它们的块之间主要架构差异。 NiN块以一个普通卷积层开始,后面是两个1×11 \times 11×1的卷积层。这两个1×11 \times 11×1卷积层充当带有ReLU激活函数的逐像素全连接层。 第一层的卷积窗口形状通常由用户设置。 随后的卷积窗口形状固定为1×11 \times 11×1。
import torch from torch import nn from d2l import torch as d2ldef 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_size=1), nn.ReLU(),nn.Conv2d(out_channels, out_channels, kernel_size=1), nn.ReLU())
2 NiN模型
最初的NiN网络是在AlexNet后不久提出的,显然从中得到了一些启示。 NiN使用窗口形状为11×1111\times 1111×11、5×55\times 55×5和3×33\times 33×3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3×33\times 33×3,步幅为2。
NiN和AlexNet之间的一个显著区别是NiN完全取消了全连接层。 相反,NiN使用一个NiN块,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(global average pooling layer),生成一个对数几率 (logits)。NiN设计的一个优点是,它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_size=11, strides=4, padding=0),nn.MaxPool2d(3, stride=2),nin_block(96, 256, kernel_size=5, strides=1, padding=2),nn.MaxPool2d(3, stride=2),nin_block(256, 384, kernel_size=3, strides=1, padding=1),nn.MaxPool2d(3, stride=2),nn.Dropout(0.5),# 标签类别数是10nin_block(384, 10, kernel_size=3, strides=1, padding=1),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())
我们创建一个数据样本来查看每个块的输出形状。
X = torch.rand(size=(1, 1, 224, 224)) for layer in net:X = layer(X)print(layer.__class__.__name__,'output shape:\t', X.shape)
输出:
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])
3 训练模型
和以前一样,我们使用Fashion-MNIST来训练模型。训练NiN与训练AlexNet、VGG时相似。
lr, num_epochs, batch_size = 0.1, 10, 128 train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, resize=224) d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())
输出:
loss 0.363, train acc 0.865, test acc 0.879 3212.2 examples/sec on cuda:0
4 小结
1、NiN使用由一个卷积层和多个1×11\times 11×1卷积层组成的块。该块可以在卷积神经网络中使用,以允许更多的每像素非线性。
2、NiN去除了容易造成过拟合的全连接层,将它们替换为全局平均汇聚层(即在所有位置上进行求和)。该汇聚层通道数量为所需的输出数量(例如,Fashion-MNIST的输出为10)。
3、移除全连接层可减少过拟合,同时显著减少NiN的参数。
4、NiN的设计影响了许多后续卷积神经网络的设计。
参考文献
[1] Lin, M., Chen, Q., & Yan, S. (2013). Network in network. arXiv preprint arXiv:1312.4400.
深度学习入门(三十)卷积神经网络——NiN相关推荐
- 3天入门python深度学习第三天卷积神经网络讲解
大纲
- 深度学习第三天-卷积神经网络(CNN):乳腺癌识别
>- 参考文章地址: >- 本文为[
- 深度学习时间序列预测:卷积神经网络(CNN)算法构建单变量时间序列预测模型预测空气质量(PM2.5)+代码实战
深度学习时间序列预测:卷积神经网络(CNN)算法构建单变量时间序列预测模型预测空气质量(PM2.5)+代码实战 神经网络(neual networks)是人工智能研究领域的一部分,当前最流行的神经网络 ...
- 深度学习笔记其五:卷积神经网络和PYTORCH
深度学习笔记其五:卷积神经网络和PYTORCH 1. 从全连接层到卷积 1.1 不变性 1.2 多层感知机的限制 1.2.1 平移不变性 1.2.2 局部性 1.3 卷积 1.4 "沃尔多在 ...
- 学习笔记:深度学习(3)——卷积神经网络(CNN)理论篇
学习时间:2022.04.10~2022.04.12 文章目录 3. 卷积神经网络CNN 3.1 卷积神经网络的概念 3.1.1 什么是CNN? 3.1.2 为什么要用CNN? 3.1.3 人类的视觉 ...
- 花书+吴恩达深度学习(十三)卷积神经网络 CNN 之运算过程(前向传播、反向传播)
目录 0. 前言 1. 单层卷积网络 2. 各参数维度 3. CNN 前向传播反向传播 如果这篇文章对你有一点小小的帮助,请给个关注,点个赞喔~我会非常开心的~ 花书+吴恩达深度学习(十)卷积神经网络 ...
- 花书+吴恩达深度学习(十一)卷积神经网络 CNN 之池化层
目录 0. 前言 1. 最大池化(max pooling) 2. 平移不变形 3. 其他池化函数 4. 卷积和池化作为一种无限强的先验 如果这篇文章对你有一点小小的帮助,请给个关注,点个赞喔~我会非常 ...
- 系统学习深度学习(三十八)--深度确定性策略梯度(DDPG)
转自:https://www.cnblogs.com/pinard/p/10345762.html 1. 从随机策略到确定性策略 从DDPG这个名字看,它是由D(Deep)+D(Determinist ...
- 深度学习实战3-文本卷积神经网络(TextCNN)新闻文本分类
文章目录 一.前期工作 1. 设置GPU 2. 导入预处理词库类 二.导入预处理词库类 三.参数设定 四.创建模型 五.训练模型函数 六.测试模型函数 七.训练模型与预测 今天给大家带来一个简单的中文 ...
- 【深度学习】Tensorflow搭建卷积神经网络实现情绪识别
[深度学习]Tensorflow搭建卷积神经网络实现情绪识别 文章目录 1 Tensorflow的基本使用方法1.1 计算图1.2 Feed1.3 Fetch1.4 其他解释 2 训练一个Tensor ...
最新文章
- 初学ArcGIS API for JavaScript
- 2000年华中科技大学计算机研究生机试真题 对称矩阵
- flatpickr功能强大的日期时间选择器插件
- 手机QQ浏览器如何同时下载多个文件
- java用于保存登录对象怎么写,利用对象流模仿登陆注册功能——Java对象流应用...
- ICPC程序设计题解书籍系列之六:吴永辉:《算法设计编程实验》
- Oracle 迁移至 MySQL 后 需要修改的SQL语句 小总结
- c语言putchar_C语言写一个小程序,胖胖的爱心桃
- 教室录播系统方案_学校教室录播系统解决方案
- JAVA代码实现抖音转载视频无水印视频,亲测通过
- 【税务基础知识】--很实用的常识
- 修复YYC松鼠短视频系统搜索功能无法使用问题
- 逆転裁判5android,逆转裁判5安卓-phoenix wright: ace attorney dual destinies官方app2021免费...
- 李佳琦转行成直播一哥,他做对了哪些事?
- 二代旅游CMS网站管理系统使用手册(二)--目的地管理
- linux怎么查看系统环境变量路径,Linux系统中的环境变量该如何设置与查看
- 程序员和工程师有什么不一样?
- 李开复写给中国大学生的七封信(6/7)
- SE2431L-R高性能 完全集成的RF前端模块 ZigBee 低功耗 蓝牙1.0
- (网络视频监控)面试题12
热门文章
- Stata无偏性检验(安慰剂检验代码)
- linux 收听国内广播_在Linux终端上收听广播
- Pytorch之contiguous
- Android中Intent介绍
- Delta3D Open Source Engine
- 《Linux操作系统-系统移植》第8章 USB-4G/LTE移植 -第3节 USB-4G移植(移远EC20开发-Gobi拨号)
- vscode 通过 X11/Xming 转发显示远程 GUI 窗口
- 1.1 密码学哈希函数
- 杜教板子(BM) 线性递推式(板子)
- 2021-09-29 uploads_labs 题18及部分关于网络的知识点