RCNN学习笔记- efficientnet源码分析

代码详解

1.从类EfficientNet进入到网络当中，其中列表中的数据是一致的

其中MBConv1后面的数字对应的是倍率因子（exp_ratio）,两图内容进行对比是相同的。

2.使用depth_coefficient来修改某一个stage所重复的次数

3.得到累计的blocks的数目，对于b1来说总共有23块结构

4.在这里对inverted_residual_setting残差块中的参数进行设置。其中在i>0的时候，就意味着这一块是这一个stage里面的第二块2，此时将会将其步长设置为1，并且输入通道等于输出通道数，也就是说，在i=0的时候，其输入通道和输出通道是不相同的，在后面都是相同的。

5.将inverted_residual_setting列表赋值之后，变为一个长度为23的列表，因为这里面一共有23个小块，多个小块又组成了stage。

6.图像经过stem_conv之后，从2402403变为22422432的图像，当s==1并且input和output相同的时候才会使用残差连接（所以每一个stage中的第一个block都不会使用残差连接，因为input！=output），这样子保证了图片大小不会发生改变才会进行相加。

7.cnf.expanded_c != cnf.input_c将会使用卷积核为1*1的普通卷积来改变通道数。其中cnf.expanded_c 是由ratio所决定的。如果cnf.expanded_c为1的，那么会执行，如果不是1将不会执行。

8.SE模块由两个Conv2d组成，11的卷积核，且通道数相同代替了全连接层，其实效果相同。之后接卷积核为11的普通卷积来改变通道数。

9.只有在使用shortcut连接时且删减率大于0的时候才使用dropout层，否则将不会做处理。残差连接的使用取决于input和output是否相同。

10.其中在同一个stage中的每一个block的图片大小都是相同的，不同的是通道数。

11.s=2的地方均被用到了stem_conv，2a，3a，4a，6a的地方，其中s=2的地方的图片尺寸发生了改变。

12.其中对比b0和b1的差别在于网络的深度是不一样的，相比之下b1的网络深度会更深。而且还有图片尺寸上的区别，224224和240240.

13.其中SE模块中，当倍率因子是4的时候会将input//4，当是6的时候会//6.

14.其中c，d，e都是对b的重复操作，然后到最后修改输出通道数。

详细结构图