<<小白学PyTorch>>
小白学PyTorch | 11 MobileNet详解及PyTorch实现
小白学PyTorch | 9 tensor数据结构与存储结构
小白学PyTorch | 7 最新版本torchvision.transforms常用API翻译与讲解
小白学PyTorch | 6 模型的构建访问遍历存储（附代码）
小白学PyTorch | 5 torchvision预训练模型与数据集全览
小白学PyTorch | 3 浅谈Dataset和Dataloader
参考目录：
1 网络结构
2 参数量分析
3 PyTorch实现与解析
上一节课讲解了MobileNet的一个DSC深度可分离卷积的概念，希望大家可以在实际的任务中使用这种方法，现在再来介绍EfficientNet的另外一个基础知识，Squeeze-and-Excitation Networks压缩-激活网络
1 网络结构
可以看出来，左边的图是一个典型的Resnet的结构，Resnet这个残差结构特征图求和而不是通道拼接，这一点可以注意一下
这个SENet结构式融合在残差网络上的，我来分析一下上图右边的结构：
输出特征图假设shape是 的；
一般的Resnet就是这个特征图经过残差网络的基本组块，得到了输出特征图，然后输入特征图和输入特征图通过残差结构连在一起（通过加和的方式连在一起）；
SE模块就是输出特征图先经过一个全局池化层，shape从 变成了 ，这个就变成了一个全连接层的输入啦
压缩Squeeze：先放到第一个全连接层里面，输入 个元素，输出 ,r是一个事先设置的参数；
激活Excitation：在接上一个全连接层，输入是 个神经元，输出是 个元素，实现激活的过程；
现在我们有了一个 个元素的经过了两层全连接层的输出，这个C个元素，刚好表示的是原来输出特征图 中C个通道的一个权重值，所以我们让C个通道上的像素值分别乘上全连接的C个输出，这个步骤在图中称为Scale。而这个调整过特征图每一个通道权重的特征图是SE-Resnet的输出特征图，之后再考虑残差接连的步骤。
在原文论文中还有另外一个结构图，供大家参考：
2 参数量分析
每一个卷积层都增加了额外的两个全连接层，不够好在全连接层的参数非常小，所以直观来看应该整体不会增加很多的计算量。Resnet50的参数量为25M的大小，增加了SE模块，增加了2.5M的参数量，所以大概增加了10%左右，而且这2.5M的参数主要集中在final stage的se模块，因为在最后一个卷积模块中，特征图拥有最大的通道数，所以这个final stage的参数量占据了增加的2.5M参数的96%。
这里放一个几个网络结构的对比：
3 PyTorch实现与解析
先上完整版的代码，大家可以复制本地IDE跑一跑，如果代码有什么问题可以联系我：
import torch
import torch.nn as nn
import torch.nn.functional as F
class PreActBlock(nn.Module):
def __init__(self, in_planes, planes, stride=1):
super(PreActBlock, self).__init__()
self.bn1 = nn.BatchNorm2d(in_planes)
self.conv1 = nn.Conv2d(in_planes, planes, kernel_size=3, stride=stride, padding=1, bias=False)
self.bn2 = nn.BatchNorm2d(planes)
self.conv2 = nn.Conv2d(planes, planes, kernel_size=3, stride=1, padding=1, bias=False)
if stride != 1 or in_planes != planes:
self.shortcut = nn.Sequential(
nn.Conv2d(in_planes, planes, kernel_size=1, stride=stride, bias=False)
)
# SE layers
self.fc1 = nn.Conv2d(planes, planes//16, kernel_size=1)
self.fc2 = nn.Conv2d(planes//16, planes, kernel_size=1)
def forward(self, x):
out = F.relu(self.bn1(x))
shortcut = self.shortcut(out) if hasattr(self, 'shortcut') else x
out = self.conv1(out)
out = self.conv2(F.relu(self.bn2(out)))
# Squeeze
w = F.avg_pool2d(out, out.size(2))
w = F.relu(self.fc1(w))
w = F.sigmoid(self.fc2(w))
# Excitation
out = out * w
out += shortcut
return out
class SENet(nn.Module):
def __init__(self, block, num_blocks, num_classes=10):
super(SENet, self).__init__()
self.in_planes = 64
self.conv1 = nn.Conv2d(3, 64, kernel_size=3, stride=1, padding=1, bias=False)
self.bn1 = nn.BatchNorm2d(64)
self.layer1 = self._make_layer(block, 64, num_blocks[0], stride=1)
self.layer2 = self._make_layer(block, 128, num_blocks[1], stride=2)
self.layer3 = self._make_layer(block, 256, num_blocks[2], stride=2)
self.layer4 = self._make_layer(block, 512, num_blocks[3], stride=2)
self.linear = nn.Linear(512, num_classes)
def _make_layer(self, block, planes, num_blocks, stride):
strides = [stride] + [1]*(num_blocks-1)
layers = []
for stride in strides:
layers.append(block(self.in_planes, planes, stride))
self.in_planes = planes
return nn.Sequential(*layers)
def forward(self, x):
out = F.relu(self.bn1(self.conv1(x)))
out = self.layer1(out)
out = self.layer2(out)
out = self.layer3(out)
out = self.layer4(out)
out = F.avg_pool2d(out, 4)
out = out.view(out.size(0), -1)
out = self.linear(out)
return out
def SENet18():
return SENet(PreActBlock, [2,2,2,2])
net = SENet18()
y = net(torch.randn(1,3,32,32))
print(y.size())
print(net)
输出和注解我都整理了一下：
- END -
往期精彩回顾
适合初学者入门人工智能的路线及资料下载机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑
AI基础下载机器学习的数学基础专辑获取一折本站知识星球优惠券，复制链接直接打开：https://t.zsxq.com/662nyZF本站qq群704220115。加入微信群请扫码进群（如果是博士或者准备读博士请说明）：
465
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
