電子發(fā)燒友網(wǎng)>電子資料下載>電子資料>PyTorch教程8.7之密集連接網(wǎng)絡(DenseNet)

PyTorch教程8.7之密集連接網(wǎng)絡(DenseNet)

2076563 2023-06-05 | pdf | 0.24 MB | 次下載 | 免費

資料介紹

ResNet 顯著改變了如何在深度網(wǎng)絡中參數(shù)化函數(shù)的觀點。DenseNet（密集卷積網(wǎng)絡）在某種程度上是對此的邏輯延伸（Huang et al. , 2017）。DenseNet 的特點是每一層都連接到所有前面的層的連接模式和連接操作（而不是 ResNet 中的加法運算符）以保留和重用早期層的特征。要了解如何得出它，讓我們稍微繞道數(shù)學。

						import torch
from torch import nn
from d2l import torch as d2l

						 

						from mxnet import init, np, npx
from mxnet.gluon import nn
from d2l import mxnet as d2l

npx.set_np()

						import jax
from flax import linen as nn
from jax import numpy as jnp
from d2l import jax as d2l

						 

						import tensorflow as tf
from d2l import tensorflow as d2l

8.7.1. 從 ResNet 到 DenseNet

回憶一下函數(shù)的泰勒展開式。對于這一點x=0 它可以寫成

(8.7.1)f(x)=f(0)+x?[f′(0)+x?[f″(0)2!+x?[f?(0)3!+…]]].

關鍵是它將函數(shù)分解為越來越高階的項。同樣，ResNet 將函數(shù)分解為

(8.7.2)f(x)=x+g(x).

也就是說，ResNet分解f分為一個簡單的線性項和一個更復雜的非線性項。如果我們想捕獲（不一定要添加）兩個術語以外的信息怎么辦？一種這樣的解決方案是 DenseNet （Huang等人，2017 年）。

https://file.elecfans.com/web2/M00/A9/C7/poYBAGR9Ne2AS2zdAAAtlyxWZMM335.svg

圖 8.7.1 ResNet（左）和 DenseNet（右）在跨層連接中的主要區(qū)別：加法的使用和連接的使用。

如圖 8.7.1所示，ResNet 和 DenseNet 的主要區(qū)別在于后者的輸出是 連接的（表示為[,]) 而不是添加。結果，我們從x在應用越來越復雜的函數(shù)序列后，它的值：

(8.7.3)x→[x,f1(x),f2([x,f1(x)]),f3([x,f1(x),f2([x,f1(x)])]),…].

最后，將所有這些功能組合在 MLP 中，再次減少特征數(shù)量。就實現(xiàn)而言，這非常簡單：我們不是添加術語，而是將它們連接起來。DenseNet 這個名字源于變量之間的依賴圖變得非常密集這一事實。這種鏈的最后一層與前面的所有層緊密相連。密集連接如圖 8.7.2所示。

https://file.elecfans.com/web2/M00/AA/42/pYYBAGR9Ne-AInwAAABmDzH7OvY343.svg

圖 8.7.2 DenseNet 中的密集連接。注意維度如何隨著深度增加。

構成 DenseNet 的主要組件是密集塊和 過渡層。前者定義輸入和輸出如何連接，而后者控制通道的數(shù)量，使其不會太大，因為擴展 x→[x,f1(x),f2([x,f1(x)]),…] 可以是相當高維的。

8.7.2. 密集塊

DenseNet 使用改進的 ResNet 的“批量歸一化、激活和卷積”結構（參見第 8.6 節(jié)中的練習）。首先，我們實現(xiàn)這個卷積塊結構。

							def conv_block(num_channels):
  return nn.Sequential(
    nn.LazyBatchNorm2d(), nn.ReLU(),
    nn.LazyConv2d(num_channels, kernel_size=3, padding=1))

							 

							def conv_block(num_channels):
  blk = nn.Sequential()
  blk.add(nn.BatchNorm(),
      nn.Activation('relu'),
      nn.Conv2D(num_channels, kernel_size=3, padding=1))
  return blk

							 

							class ConvBlock(nn.Module):
  num_channels: int
  training: bool = True

  @nn.compact
  def __call__(self, X):
    Y = nn.relu(nn.BatchNorm(not self.training)(X))
    Y = nn.Conv(self.num_channels, kernel_size=(3, 3), padding=(1, 1))(Y)
    Y = jnp.
						