【Pytorch神经网络理论篇】 31 图片分类模型:ResNet模型+DenseNet模型+EffcientNet模型

同学你好!本文章于2021年末编写,获得广泛的好评!

故在2022年末对本系列进行填充与更新,欢迎大家订阅最新的专栏,获取基于Pytorch1.10版本的理论代码(2023版)实现,

Pytorch深度学习·理论篇(2023版)目录地址为:

CSDN独家 | 全网首发 | Pytorch深度学习·理论篇(2023版)目录本专栏将通过系统的深度学习实例,从可解释性的角度对深度学习的原理进行讲解与分析,通过将深度学习知识与Pytorch的高效结合,帮助各位新入门的读者理解深度学习各个模板之间的关系,这些均是在Pytorch上实现的,可以有效的结合当前各位研究生的研究方向,设计人工智能的各个领域,是经过一年时间打磨的精品专栏!https://v9999.blog.csdn.net/article/details/127587345欢迎大家订阅(2023版)理论篇

以下为2021版原文~~~~

 

1 ResNet模型

 在深度学习领域中,模型越深意味着拟合能力越强,出现过拟合问题是正常的,训练误差越来越大却是不正常的。

1.1 训练误差越来越大的原因

在反向传播中,每一层的梯度都是在上一层的基础上计算的。随着层数越来越多,梯度在多层传播时会越来越小,直到梯度消失,于是随着层数越来越多,训练误差会越来越大。

ResNet模型的动机是要解决网络层次比较深时无法训练的问题,借鉴了高速网络模型的思想,设计出了一个残差连接模块。这种模块可以让模型的深度达到152层。

1.2 残差连接的结构

在标准的前馈卷积神经网络上,加一个直接连接,绕过中间层的连接方式,使得输入可以直达输出。

1.2.1 残差连接的结构图

1.2.2 残差连接的定义描述

 1.3  残差连接的原理

残差连接通过将原始的输入绕过中间的变化直接传给Addiion,在反向传播的过程中,误差传到输入层时会得到两个误差的加和,一个是左侧的多层网络误差,一个是右侧的原始误差。左侧会随着层数变多而梯度越来越小,右侧则是由Addition直接连到输入层,所以还会保留Addition的梯度。这样输入层得到的加和后的梯度就没有那么小了,可以保证接着将误差往下传。

1.3.1 残差连接的原理

这种方式看似解决了梯度越传越小的问题,但是残差连接在正向同样也起到作用。

由于正向的作用,网络结构是并行的模型,即残差连接的作用是将网络串行改成并行。

这就是lnception V4模型结合残差网络的原理,没有使用残差连接,反而实现了与Inception-ResNet V2模型等同的效果的原因。

2 DenSeNet模型

DenseNet模型于2017年被提出,该模型是密集连接的卷积神经网络CNN,每个网络层都会接受前面所有层作为其输入,也就是说网络每一层的输入都是前面所有层输出的并集。

2.1 DenSeNet模型的网络结构

2.1.1 DenSeNet模型

每一个特征图都与前面所有层的特征图相连,即每一层都会接受前面所有层作为其输入。对于一个L层的网络,DenseNet模型共包含L(L+1)2个连接。

2.1.2  DenSeNet模型图

2.2 DenseNet模型的优势

  1. DenseNet模型的每一层都与前面所有层紧密连接、可以直达最后的误差信号,升梯度的反向传播,减轻梯度消失的问题,使得网络更容易训练。
  2. DenseNet模型通过拼接特征图来实现短路连接,从而实现特征重用,并且采用较小的增长率,每个层所独有的特征图比较小。
  3. 增强特征图的传播,前面层的特征图直接传给后面层,可以充分利用不同层级的特征。

2.3 DenseNet模型的缺陷

DenseNet模型可能耗费很多GPU显存,一般显卡无法存放更深的DenseNet模型,需要经过精心优化。

2.4 稠密快

稠密块是DenseNet模型中的特有结构。

2.4.1 稠密块的组成

稠密块中含有两个卷积层,这两个卷积层的卷积核尺寸各不相同(分别为1×1和3×3)。每一个稠密块由L个全连接层组成。

全连接仅在一个稠密块中,不同稠密块之间是没有全连接的,即全连接只发生在稠密块中。

3 EffcientNet模型

MnasNet模型是谷歌团队提出的一种资源约束的终端CNN模型的自动神经结构搜索方法。该方法使用强化学习的思路进行实现。

3.1 EffcientNet模型的步骤

1、使用强化学习算法实现的MnasNet模型生成基准模型EfficientNet-B0。
2、采用复合缩放的方法,在预先设定的内存和计算量大小的限制条件下,对EfficientNet-BO模型的深度、宽度(特征图的通道数)、图片尺寸这3个维度同时进行缩放这3个维度的缩放比例由网格搜索得到,最终输出了EfficientNet模型。

3.2 EffcientNet模型的调参示意图

  • 图1-12(a)是基准模型。
  • 图1-12(b)是在基准模型的基础上进行宽度缩放,即增加图片的通道数量。
  • 图1-12(c)是在基准模型的基础上进行深度缩放,即增加网络的层数。
  • 图1-12(d)是在基准模型的基础上对图片尺寸进行缩放。
  • 图1-12(e)是在基准模型的基础上对图片的深度、宽度、尺寸同时进行缩放。

3.3 EfficientNet模型的效果

在ImageNet数据集上Top-1准确率达到84.4%,Top-5准确率达到97.1%,但是其大小仅仅为已知最好深度卷积模型的1/8.4,而且速度比已知最好深度卷积模型快6.1倍。

EfcientNet模型满足了在不降低模型准确率的条件下,减少模型的计算量或内存需求(参见arXⅳ网站上编号为“1905.11946”的论文)。

3.4 MBConv卷积块

EficientNet模型的内部是通过多个MBConv卷积块实现。

3.4.1 MBConv卷积块特点

MBConv卷积块使用类似残差连接的结构,不同的是在短连接部分使用了SE模块,并且将常用的ReLU激活函数换成了Swish激活函数,还使用DropConnect层来代替传统的Dropout层。

3.4.2 MBConv卷积块的结构

3.4.3  Tip

在SE模块中没有使用BN操作,而且其中的Sigmoid激活函数也没有被Swish激活函数替换。

3.5 DropConnect

在深度神经网络中,DropConnect层与Dropout层的作用都是防止模型产生过拟合的情况。DropConnect层的效果会更好一些。

3.5.1 DropConnect层与Dropout层对比

DropConnect层:在训练神经网络模型的过程中,对隐藏层节点的输入进行随机的丢弃。

Dropout层:在训练神经网络模型的过程中,对隐藏层节点的输出进行随机的丢弃

3.5.2  DropConnect层与Dropout层结构图

   

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/469276.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

CentOS7 编译安装golang和rpm安装golang

编译安装 1、下载golang二进制安装包: https://storage.googleapis.com/golang/go1.9.linux-amd64.tar.gz 2、解压安装包到指定目录,此处以解压到/usr/local目录下为例: 1 tar -C /usr/local -xzf ../packages/go1.8.linux-amd64.tar.gz 3、在…

Class_fileAndroid应用调用方法

java代码调用 fos.write这里面是byte类型的 + private static final String LEDBLPATH="/sys/class/hdyrodent_charger_led/brightness"; + private final void SetChargerLedBrightness(String path,int brightness) + { + try{ + …

【Pytorch神经网络理论篇】 32 PNASNet模型:深层可分离卷积+组卷积+空洞卷积

1 PNASNet模型简介 PNASNet模型是Google公司的AutoML架构自动搜索所产生的模型,它使用渐进式网络架构搜索技术,并通过迭代自学习的方式,来寻找最优网络结构。即用机器来设计机器学习算法,使得它能够更好地服务于用户提供的数据。该…

s5k5e2ya MIPI 摄像头调试

1、驱动移植的话按照我之前的文章来做 驱动里面注意是几路的lane,一般mipi的话是差分信号,2路和4路是比较常见的。2、mipi波形 很明显上面的波形是不正确的。dp dn有一个都成了正弦波了。 首先,我们要找一下正确的波形 正确的波形应该是DP和DN不会同时…

css那些事儿4 背景图像

background:背景颜色,图像,平铺方式,大小,位置 能够显示背景区域即为盒子模型的填充和内容部分,其中背景图像将会覆盖背景颜色。常见的水平或垂直渐变颜色背景通常使用水平或垂直渐变的背景图像在水平或垂直方向平铺&a…

用Android UEventObserver监听内核event

很多时候我们在框架上层需要知道内核中某些事件的状态,用设备的show属性是可以供上层来查询,但是这需要上层设定一个较耗资源的循环。如果用UEventObserver就可以监听内核event,它是android Java层利用uevent与获取Kernel层状态变化的机制。 …

【Pytorch神经网络实战案例】23 使用ImagNet的预训练模型识别图片内容

1 案例基本工具概述 1.1 数据集简介 Imagenet数据集共有1000个类别,表明该数据集上的预训练模型最多可以输出1000种不同的分类结果。 Imagenet数据集是目前深度学习图像领域应用得非常多的一个领域,关于图像分类、定位、检测等研究工作大多基于此数据…

杂谈转载

一、什么是运行时(Runtime)? 运行时是苹果提供的纯C语言的开发库(运行时是一种非常牛逼、开发中经常用到的底层技术)二、运行时的作用? 能获得某个类的所有成员变量能获得某个类的所有属性能获得某个类的所有方法交换…

Linux中的工作队列

工作队列(work queue)是Linux kernel中将工作推后执行的一种机制。这种机制和BH或Tasklets不同之处在于工作队列是把推后的工作交由一个内核线程去执行,因此工作队列的优势就在于它允许重新调度甚至睡眠。 工作队列是2.6内核开始引入的机制,在2.6.20之后…

【Pytorch神经网络实战案例】24 基于迁移学习识别多种鸟类(CUB-200数据集)

1 迁移学习 在实际开发中,常会使用迁移学习将预训练模型中的特征提取能力转移到自己的模型中。 1.1 迁移学习定义 迁移学习指将在一个任务上训练完成的模型进行简单的修改,再用另一个任务的数据继续训练,使之能够完成新的任务。 1.1.1 迁…

linux工作队列

这里对Linux的工作队列(work_queue)不做深层次的挖掘,只对如何使用它以及一些简单的结构做简单地介绍。 Linux源代码(3.0.8)中和工作队列(work_queue)相关的结构主要在 include/linux/workqueue.h这个头文件中,这里就不摘抄了。这里就直接给出例子代码…

【Pytorch神经网络理论篇】 33 基于图片内容处理的机器视觉:目标检测+图片分割+非极大值抑制+Mask R-CNN模型

同学你好!本文章于2021年末编写,获得广泛的好评! 故在2022年末对本系列进行填充与更新,欢迎大家订阅最新的专栏,获取基于Pytorch1.10版本的理论代码(2023版)实现, Pytorch深度学习理论篇(2023版)目录地址…

linux inputuevent使用

input 输入子系统 在应用层使用的时候,容易出现找不到UEventObserver.java 这时候就要导入jar包 导入classes.jar这个jar包 weiqifaweiqifa-Inspiron-3847:~/weiqifa/tm100$ ls out/target/common/obj/JAVA_LIBRARIES/framework_intermediates/ classes classes…

linq中给字段添加别名

linq 是我们在查询中经常回用到的一种形式,比如我们创建一个类,然后List<添加> 并绑定到表格中public class Modeltest{string id;public string Id{get { return id; }set { id value; }}string pwd;public string Pwd{get { return pwd; }set { pwd value; }}string…

报错 ValueError: too many values to unpack (expected 2)

enc_output,enc_slf_attn self.slf_attn(user_embedding,item_input,item_input,mask slf_attn_mask) 实际上只有一个返回值&#xff0c;但是却写了两个返回值&#xff0c;所以报错。 改正为 enc_output self.slf_attn(user_embedding,item_input,item_input,mask sl…

Python带*参数和带**参数

一、带*形参 1、格式&#xff1a;*形参名&#xff0c;如*args 2、数据类型&#xff1a;元组 3、传参方式&#xff1a;接收任意个位置参数&#xff08;可以不传参&#xff09;。 4、位置&#xff1a;在一个函数里只能有一个&#xff0c;且放在末尾&#xff08;没有带**形参的…

IE浏览器解决无法识别js中getElementsByClassName问题

关于ie浏览器无法识别js中getElementsByClassName问题&#xff0c;现通过以下方法&#xff0c;引用如下js /***打印js对象详细信息*/ function alertObj(obj) {var description "";for ( var i in obj){var property obj[i];description i " " prope…

arduino i2c 如何写16位寄存器_树莓派3B开发Go语言(二)寄存器版本GPIO

作者&#xff1a;爪爪熊链接&#xff1a;https://www.jianshu.com/p/0495c0554a63來源&#xff1a;简书之前将go语言的运行环境给搭建起来了&#xff0c;但是没有开始真正的试试Go 语言操作树莓派硬件的效果。一、树莓派3B硬件介绍树莓派3B采用了博通的BCM2837方案&#xff0c;…

Android aidl在Framework的使用

为何要做这个 我要在framework的PhoneWindowManager.java里面调用LightService.java里面的函数&#xff0c;用来做灯光的提示之类的&#xff0c;为何我要在PhoneWindowManager.java里面加这个呢&#xff0c;这里就不做讨论了&#xff0c;但是直接调用哪些接口是不行的&#xf…

没有理智的欲望会走向毁灭,没有欲望的理智会永守清贫

欲望是人类的本性,哥伦布因为它片帆浮海、横渡大洋发现了美州。理性是人类的禀赋,哥白尼因为它仰望星空、冥想终生提出了日心说。在金融市场上没有理智的欲望会走向毁灭,没有欲望的理智会永守清贫。转载于:https://www.cnblogs.com/timlong/p/6509870.html