写作动机
第一篇主要从数学建模的角度总结了近期自学神经网络的成果,但纸上得来终觉浅,不通过代码实现一遍很多东西终究只是空中楼阁。所以本篇总结主要从代码角度回顾总结自学成果。
尽量做到每日一次总结。
行文思路
仿照鱼书的风格,先给出计算图,再一步一步根据计算图搭建代码。
使用框架
因为笔者是一名医学生,所以选择现有的框架——pytorch进行代码的实现。
参考书籍
《动手学深度学习2.0》
2024/3/6——DenseNet
首先,我们知道,任意函数可以通过泰勒展开来用变量的高阶项求和来拟合。
然后,ResNet本质上就是把函数展开为了变量的一阶项与另一个新函数求和。
接着,对ResNet展开得到的新函数继续展开,就是DenseNet要做的事。
确定模型
Fashion-MNIST。
计算图
代码实现
import torch
from torch import nn
from d2l import torch as d2l
先定义一个小块,方便构建后续大块:
def conv_block(input_channels, num_channels):
return nn.Sequential(
nn.BatchNorm2d(input_channels),
nn.ReLU(),
nn.Conv2d(input_channels, num_channels, kernel_size=3, padding=1)
)
再构建大块:
class Dense_BLOCK(nn.Module):
def __init__(self, num_convs, input_channels, num_channels):
super(Dense_Block, self).__init__()
layer = []
for i in range(num_convs):
layer.append(conv_block(num_channels * i + input_channels, num_channels))
self.net = nn.Sequential(*layer)
def forward(self, X):
for block in self.net:
Y = block(X)
X = torch.cat((X,Y), dim=1)
return X
然后专门构建块来降低通道数:
def Trans_BLOCK(input_channels, num_channels):
return nn.Sequential(
nn.BatchNorm2d(input_channels),
nn.ReLU(),
nn.Conv2d(input_channels, num_channels, kernel_size=1),
nn.AvgPool2d(kernel_size=2, stride=2))
接下来构建网络:
因为中间的稠密块涉及到数字的迭代,一个一个打过于复杂逆天,所以先单独构造出来:
blocks = []
num_channels = 64
growth_rate = 32
num_convs_in_dense_blocks = [4, 4, 4, 4]
for i, num_convs in enumerate(num_convs_in_dense_blocks):
blks.append(DenseBlock(num_convs, num_channels, growth_rate))
num_channels += num_convs * growth_rate
if i != len(num_convs_in_dense_blocks) - 1:
blks.append(transition_block(num_channels, num_channels // 2))
num_channels = num_channels // 2
然后再是Dense_Net:
Dense_Net = nn.Sequential(
nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3),
nn.BatchNorm2d(64),
nn.ReLU(),
nn.MaxPool2d(kernel_size=3, stride=2, padding=1),
*blocks
nn.BatchNorm2d(num_channels),
nn.ReLU(),
nn.AdaptiveAvgPool2d((1, 1)),
nn.Flatten(),
nn.Linear(num_channels, 10)
)
应用
先确定输入和输出:
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, resize=96)
万事俱备,只欠数据:
lr = 0.1
num_epochs = 10
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())
结果是: