Pytorch实现DenseNet

本文主要将Pytorch实现的DenseNet用于自己制作的数据集进行图像分类，如果要复现DenseNet在经典数据集如Cifar10上的性能请移步github，另外本文不会涉及详细的论文解读。

本文主要讲解如何利用Pytorch实现DenseNet，并且将Pytorch实现的DenseNet用于自己制作的数据集进行图像分类，以并以17 Flowers（17 Category Flower Dataset）为案例进行实战。
本案例主要取 Daffodil、LilyValley、Snowdrop三个类别进行分类，每个类别前10张图片作为验证集，后70张图片作为训练集。（这一篇博客讲解了如何组织数据集）

0. 理论回顾

1. 什么是Bottleneck(DenseNet-B)？ It has been noted in [37, 11] that a 1×1 convolution can be introduced as bottleneck layer before each 3×3 convolution to reduce the number of input feature-maps. 所以Bottleneck只是3×3卷积层前面用于降低维度的1×1卷积层，但这个代码中将两个卷积合并放在Bottleneck类中了。
2. 什么是Compress(DenseNet-C)？ If a dense block contains m feature-maps, we let the following transition layer generate θ*m output feature-maps, where 0 <θ ≤1 is referred to as the compression factor. 所以Compress只是为了在Transition层减少channels数量。
3. 如何计算DenseNet网络结构中的层？每个Bottleneck包含了两个卷积层，每个Transition包含一个卷积层，总共有4+4+4+4=16个Bottleneck和3个transition，也就是35个卷积层，再加上最前面的卷积层和最后的全连接层，最后总共有37层。（那么自定义层数改动 nblocks 参数就可以了）

1. 项目架构

先看项目架构：

2. 文件说明

文件	功能
data /train	存放训练集图片（70）
data / test	存放验证集图片（10）
model.py	定义了 DenseNet 的网络结构
main.py	项目的主程序，包含训练与评估过程

3. 训练过程

直接运行 main.py 文件即可

注：本文只对数据集进行了粗糙的处理（裁剪成3 * 32 * 32），如果想进一步提高分类性能，需要读者自行对数据集进行一些优化的预处理操作。

4. 项目源码

https://github.com/dhuQChen/DenseNet