位置: IT常识 - 正文

densenet的网络结构和实现代码总结(torch)(densenet网络结构详解)

编辑:rootadmin
densenet的网络结构和实现代码总结(torch) 简介

推荐整理分享densenet的网络结构和实现代码总结(torch)(densenet网络结构详解),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:densenet resnet,densenet原理,densenet结构图,densenet121网络结构,densenet原理,densenet网络结构详解,densenet结构图,densenet网络结构详解,内容如对您有帮助,希望把文章链接给更多的朋友!

densenet网络是CVPR 2017 (Best Paper Award),这篇论文是在Stochastic Depth的启发下提出的。densenet和Stochastic Depth都是清华的黄高博士提出的。关于densenet的详细介绍可以看【0】,关于Stochastic Depth的详细介绍可以看【1】。

论文链接:https://arxiv.org/pdf/1608.06993.pdf 

代码的github链接:https://github.com/liuzhuang13/DenseNet 

DenseNet(密集卷积网络)的核心思想是密集连接,即某层的输入除了包含前一层的输出外还包含前面所有层的输出,因此L层的模型会有L(L-1)/2个连接,具体结构图如下图所示,DenseNet的几个优点是: 

1,减轻了消失梯度(梯度消失) 

2,加强了特征的传递 

3,更有效地利用了特征 

4,一定程度上较少了参数数量

在保证网络中层与层之间最大程度的信息传输的前提下,直接将所有层连接起来!

模型细节densenet的网络结构和实现代码总结(torch)(densenet网络结构详解)

整个densenet模型主要包含三个核心细节结构,分别是DenseLayer(整个模型最基础的原子单元,完成一次最基础的特征提取,如下图第三行)、DenseBlock(整个模型密集连接的基础单元,如下图第二行左侧部分)和Transition(不同密集连接之间的过度单元,如下图第二行右侧部分),通过以上结构的拼接+分类层即可完成整个模型的搭建。

DenseLayer层包含BN + Relu + 1*1Conv + BN + Relu + 3*3Conv。第L个DenseLayer层的第一个1*1Conv的输入通道层数为num_input_features+(L-1)*growth_rate,输出通道层数为bn_size*growth_rate;第二个3*3Conv的输入通道数为bn_size*growth_rate,输出通道数为growth_rate。整个DenseLayer层内特征层宽度不变,不存在stride=2或者池化的情况。这里有一点特殊之处,DenseLayer层的第一个结构是BN层而不是像其它模型那样是Conv。在BN层前面还存在一个Concatenation操作,负责本DenseBlock模块内前面所有层的输出以及第一层的输出进行拼接操作,

DenseBlock模块其实就是堆叠一定数量的DenseLayer层,在整个DenseBlock模块内不同DenseLayer层之间会发生密集连接,在DenseBlock模块内特征层宽度不变,不存在stride=2或者池化的情况。

Transition模块包含BN + Relu + 1*1Conv + 2*2AvgPool,1*1Conv负责降低通道数,2*2AvgPool负责降低特征层宽度,降低到1/2。Transition模块的作用是连接不同的DenseBlock模块,之所以这样设计原因是,密接连接必须保证特征层的宽度是一致的,原因是连接方式为沿通道维拼接,如果整个模型都采用密集连接,那势必导致整个模型从输入到输出特征层宽度都不变,那最后无法完成分类任务,也无法压缩特征。

模型可能优点更强的梯度流动:

DenseNet可以说是一种隐式的强监督模式,因为每一层都建立起了与前面层的连接,误差信号可以很容易地传播到较早的层,所以较早的层可以从最终分类层获得直接监管。

参数更少计算效率更高

在ResNet中,参数量与C*C成正比,而在DenseNet中参数量与l*k*k成正比,因为k远小于C,所以DenseNet的参数量小得多。

保存了低维度的特征

在标准的卷积网络中,最终输出只会利用提取最高层次的特征。而在DenseNet中,它使用了不同层次的特征,它倾向于给出更平滑的决策边界。这也解释了为什么训练数据不足时DenseNet表现依旧良好。

模型效果

该文章提出的DenseNet核心思想在于建立了不同层之间的连接关系,充分利用了功能,进一步减轻了梯度消失问题,加深网络不是问题,而且训练效果非常好。另外,利用瓶颈层,翻译层以及较小的增长率使得网络变窄,参数减少,有效抑制了过拟合,同时计算量也减少了DenseNet优点很多,而且在和RESNET的对比中优势还是非常明显的。【2】

模型代码

改代码修改自torch官方代码

# 根据torch官方代码修改的densenet代码# 模型下载地址:# 121 --- "), 224) image = transform(image) image = image.reshape(1, 3, 224, 224) # 建立模型并恢复权重 weight_path = "./checkpoint/densenet121-a639ec97.pth" # 这个预训练权重是老版本torch生成的,当时模块的命名允许出现"." pre_weights = torch.load(weight_path) # 但是最新的torch不允许出现".",所以老版权重恢复进新版模型时需要修改一下模块命名 pattern = re.compile(r"^(.*denselayer\d+\.(?:norm|relu|conv))\.((?:[12])\.(?:weight|bias|running_mean|running_var))$") for key in list(pre_weights.keys()): # 主要是新版模型中的最基础模块的命名是类似于...denselayer1.conv1.weight res = pattern.match(key) # 而老版本权重的命名类似于 ...denselayer1.conv.1.weight if res: # 所以需要正则表达式去老版本权重的key中匹配一下,一旦匹配成功就修改为最新模型的权重名称 new_key = res.group(1) + res.group(2) # 正则表达式中()的作用是提取满足匹配要求的字符串,group(0)就是匹配正则表达式整体结果 pre_weights[new_key] = pre_weights[key] del pre_weights[key] model = densenet121() model.load_state_dict(pre_weights) # print(model) # 单张图片推理 model.cpu().eval() # .eval()用于通知BN层和dropout层,采用推理模式而不是训练模式 with torch.no_grad(): # torch.no_grad()用于整体修改模型中每一层的requires_grad属性,使得所有可训练参数不能修改,且正向计算时不保存中间过程,以节省内存 output = torch.squeeze(model(image)) predict = torch.softmax(output, dim=0) predict_cla = torch.argmax(predict).numpy() # 输出结果 print(predict_cla) print(predict[predict_cla])

 包含训练和测试的完整代码见:https://github.com/LegendBIT/torch-classification-model

参考:

0. 深入解析DenseNet(含大量可视化及计算)

1. CNN模型合集 | 9 Stochastic_Depth

2. DenseNet算法详解

本文链接地址:https://www.jiuchutong.com/zhishi/299306.html 转载请保留说明!

上一篇:Web项目部署环境搭建:JDK + Tomcat + IDEA +MySQL(java web项目部署)

下一篇:vue+neo4j +纯前端(neovis.js / neo4j-driver) 实现 知识图谱的集成 大干货--踩坑无数!!!将经验分享给有需要的小伙伴(vue.js前端)

  • 快手怎么官方认证勾用户是什么意思(快手怎么官方认证√用户是什么意思)

    快手怎么官方认证勾用户是什么意思(快手怎么官方认证√用户是什么意思)

  • 路由器换个房间不能用(路由器换个房间没网络)

    路由器换个房间不能用(路由器换个房间没网络)

  • 为什么拍出来的照片是横过来的(为什么拍出来的照片是模糊的)

    为什么拍出来的照片是横过来的(为什么拍出来的照片是模糊的)

  • nike取消订单多久到账(nike取消订单钱返回到哪里)

    nike取消订单多久到账(nike取消订单钱返回到哪里)

  • 拼小圈怎么开启(拼小圈功能在哪里)

    拼小圈怎么开启(拼小圈功能在哪里)

  • 屏幕截图在哪个文件夹(屏幕截图在哪个选项卡)

    屏幕截图在哪个文件夹(屏幕截图在哪个选项卡)

  • 阿里竞拍成功不想要怎么办(阿里竞拍成功后不买)

    阿里竞拍成功不想要怎么办(阿里竞拍成功后不买)

  • oppo手机怎样发朋友圈不折叠(oppo手机怎样发定位)

    oppo手机怎样发朋友圈不折叠(oppo手机怎样发定位)

  • 3601707-a01是什么型号(3601707a01是什么配置)

    3601707-a01是什么型号(3601707a01是什么配置)

  • 手机qq取消记住密码(手机qq取消记住登录密码)

    手机qq取消记住密码(手机qq取消记住登录密码)

  • powerpoint是不是应用软件(powerpoint属于word吗)

    powerpoint是不是应用软件(powerpoint属于word吗)

  • 抖音视频只能拍60秒吗(抖音视频只能拍20秒吗)

    抖音视频只能拍60秒吗(抖音视频只能拍20秒吗)

  • 光纤通信系统由哪几部分组成(光纤通信技术)

    光纤通信系统由哪几部分组成(光纤通信技术)

  • 电脑按f1才能启动什么原因(电脑开机按f1才能启动,按f2或者del都没用是怎么回事)

    电脑按f1才能启动什么原因(电脑开机按f1才能启动,按f2或者del都没用是怎么回事)

  • 16g什么意思(黑4代插卡版16G什么意思)

    16g什么意思(黑4代插卡版16G什么意思)

  • mate x什么时候上市

    mate x什么时候上市

  • 小米手环3怎么解绑手机(小米手环3怎么解绑)

    小米手环3怎么解绑手机(小米手环3怎么解绑)

  • 苹果xr可以换主题吗(苹果xr可以换主副卡吗)

    苹果xr可以换主题吗(苹果xr可以换主副卡吗)

  • 一加7pro有5g吗(一加7pro手机是5g吗)

    一加7pro有5g吗(一加7pro手机是5g吗)

  • 电脑插网线显示感叹号(电脑插网线显示网络电缆被拔出)

    电脑插网线显示感叹号(电脑插网线显示网络电缆被拔出)

  • fsw.exe是什么进程 有什么作用 fsw进程查询(fsrec.sys)

    fsw.exe是什么进程 有什么作用 fsw进程查询(fsrec.sys)

  • 我的世界1.19.3优化模组推荐:这62个优化模组让你的体验更好(我的世界1.12.2优化下载)

    我的世界1.19.3优化模组推荐:这62个优化模组让你的体验更好(我的世界1.12.2优化下载)

  • iconify图标使用(iconfonf)

    iconify图标使用(iconfonf)

  • 后台管理系统权限管理详解

    后台管理系统权限管理详解

  • Python解释器有哪些种类

    Python解释器有哪些种类

  • phpcms导航下拉不显示怎么办(php底部导航代码)

    phpcms导航下拉不显示怎么办(php底部导航代码)

  • 计提增值税比实际缴纳多
  • 营业外收入纳税调整
  • 税收分类编码是唯一的吗
  • 银行存款产生的利息怎么写分录
  • 车船税在备注栏怎么报表
  • 计提坏账又收回
  • 营改增后还有企业所得税吗?
  • 增值税专用发票怎么开
  • 关联的公司
  • 关税应纳税额的计算方法包括
  • 小规模有限公司注销麻烦吗
  • 增值税专用发票和普通发票的区别
  • 销售货物的运输费用计入成本吗知乎
  • 征收开票信息
  • 广告业的定额发票可以税前扣除么?
  • 发票税额小数点后面没打印上能用吗
  • 旅游服务机票款普通发票可以抵扣吗
  • 开具红字专用发票要求
  • 小型微利企业需要满足的条件
  • 包装本公司产品的出口包装物是否缴增值税?
  • 外国企业代表处企业所得税
  • 出售股权收入会计分录
  • 生产测试是指什么
  • 以前年度的其他应付款不用付怎么处理
  • switpa.exe - switpa是什么进程
  • 速动比率计算公式多少合适
  • 计提企业所得税费用会计分录
  • 预付账款为什么是资产
  • 未生产期间的折旧费记到哪
  • 小宝宝耸肩膀缩脖子
  • 使用最新版本的浏览器可以防御黑客
  • nvcpl.dll是什么
  • 超率累进税率和超倍累进税率
  • geeklink 极联科技
  • 埃热泽尔斯湖面上的波纹,拉脱维亚拉特加尔地区 (© Eaglewood Films/Nimia)
  • php怎么执行sql语句
  • 会计费用科目分类表
  • 如何做好零售商
  • 银行贷款用途能改吗
  • 政府会计制度下财务会计包含几要素
  • php redis常用命令
  • php如何实现
  • 收到转账怎么写分录
  • vue脚手架配合springsecurity
  • 什么是资产减值准备计提
  • 企业所得税的征税对象包括( )
  • 玩转mongodb4.0从入门到实践
  • 税务局退回来的钱账务处理
  • 职工福利费允许抵扣吗
  • 刚成立的公司老板要我入股
  • 费用少计提了怎么办
  • 研究费用记入什么费用
  • 工程施工科目下可以设置咨询费吗
  • 将购进药品销售给药品生产企业或药品经营企业的是
  • 公司水电费分摊怎么算
  • 职工福利费的计提比例为职工工资总额扣除奖金后的
  • 临时设施科目计入什么
  • 利润表的未分配利润是哪个
  • 逾期纳税申报会被罚款吗
  • 计提工会经费的工资总额包括五险一金吗
  • 重要性水平如何判断
  • 如何屏蔽网络?
  • windows7/vista/server(no slic)
  • mac在哪设置
  • ubuntu下安装deb文件
  • find 命令 查找文件
  • win7系统无法进入登录界面
  • Windows7 64位系统如何添加打印机图文教程
  • win7系统笔记本无线网络找不到
  • glrotatef函数
  • js信息框
  • jquery示例
  • python中pillow模块
  • jQuery EasyUI tree 使用拖拽时遇到的错误小结
  • javascript例题
  • 挂车是否需要缴纳车船税
  • 增值税进项转出补企业所得税
  • 生猪屠宰企业报价
  • 中国地税发展现状
  • 税务实名认证如何操作
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设