26 网络中的网络 NiN【动手学深度学习v2】（笔记）

目录

一、网络中的网络（NiN）

 二、代码实现

三、问答总结

---

一、网络中的网络（NiN）

1、LeNet、AlexNet和VGG都有一个共同的设计模式：通过一系列的卷积层与汇聚层来提取空间结构特征；然后通过全连接层对特征的表征进行处理。然而，如果使用了全连接层，可能会完全放弃表征的空间结构。

全连接层参数多占用空间，带来过拟合 ；参数实际上就是来算梯度的变量，卷积层的变量就是卷积，也就是那个矩阵（还有个偏差这里没算），所以需要cico个k*k的卷积；

为了解决上面的问题，NiN就说完全不要全连接层；

 2、第二遍看明白了，其实就是共享参数的全连接层，但是参数少了很多；即将空间维度中的每个像素视为单个样本，将通道维度视为不同特征（feature）。

我的理解，每个像素是三个通道(R,G,B)，然后（W1,W2,W3），分别作用到三个通道

 3、NiN的架构，无全连接层；

NiN和AlexNet之间的一个显著区别是NiN完全取消了全连接层。 相反，NiN使用一个NiN块，其输出通道数等于标签类别的数量。最后放一个全局平均汇聚层（global average pooling layer），生成一个对数几率 （logits）。

NiN设计的一个优点是，它显著减少了模型所需参数的数量。然而，在实践中，这种设计有时会增加训练模型的时间。

 

 4、总结

 二、代码实现

import torch
from torch import nn
from d2l import torch as d2l

# 定义NiN块
def nin_block(in_channels, out_channels, kernel_size, strides, padding):
    return nn.Sequential(
        nn.Conv2d(in_channels, out_channels, kernel_size, strides, padding),
        nn.ReLU(),

#1*1的卷积层，不改变输入和输出通道
        nn.Conv2d(out_channels, out_channels, kernel_size=1), nn.ReLU(),
        nn.Conv2d(out_channels, out_channels, kernel_size=1), nn.ReLU())

net = nn.Sequential(
    nin_block(1, 96, kernel_size=11, strides=4, padding=0),
    nn.MaxPool2d(3, stride=2), # 输入输出高宽减半
    nin_block(96, 256, kernel_size=5, strides=1, padding=2),
    nn.MaxPool2d(3, stride=2),
    nin_block(256, 384, kernel_size=3, strides=1, padding=1),
    nn.MaxPool2d(3, stride=2),
    nn.Dropout(0.5),
    # 标签类别数是10
    nin_block(384, 10, kernel_size=3, strides=1, padding=1),
    #全局的平均池化层，这个函数是自适应池化，这俩参数是指定输出的维度
    nn.AdaptiveAvgPool2d((1, 1)),
    # 将四维的输出转成二维的输出，其形状为(批量大小,10)
    nn.Flatten())

X = torch.rand(size=(1, 1, 224, 224))
for layer in net:
    X = layer(X)
    print(layer.__class__.__name__,'output shape:\t', X.shape)


#训练模型
lr, num_epochs, batch_size = 0.1, 10, 128
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, resize=224)
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())

三、问答总结

• NiN，降低模型复杂度，提高了泛化性，但是收敛变慢