DenseNet-121网络结构

DenseNet-121是DenseNet系列中的一个具体网络结构，它是由**四个密集块（Dense Block）和一个过渡层（Transition Layer）**组成的。

下面是DenseNet-121的网络结构示意图：

  Input
    |
  Conv2D (7x7, stride=2)
    |
  BatchNorm
    |
  ReLU
    |
  MaxPool2D (3x3, stride=2)
    |
  Dense Block 1
    |
  Transition Layer 1
    |
  Dense Block 2
    |
  Transition Layer 2
    |
  Dense Block 3
    |
  Transition Layer 3
    |
  Dense Block 4
    |
  Global Average Pooling
    |
  Fully Connected Layer (Softmax)
    |
  Output

DenseNet-121的网络结构主要由以下几个部分组成：

1. 输入层： 接收输入图像的数据。

2. Conv2D： 一个7x7的卷积层，步长为2，用于从输入图像中提取特征。

3. BatchNorm： 批归一化层，用于对特征进行规范化，加速训练过程。

4. ReLU： ReLU激活函数，引入非线性变换。

5. MaxPool2D： 一个3x3的最大池化层，步长为2，用于降低特征图的空间尺寸。

6. Dense Block 1-4： 四个密集块，每个密集块包含多个Bottleneck层，通过密集连接将特征图传递给后续层。

7. Transition Layer 1-3： 三个过渡层，用于控制特征图的通道数和空间尺寸，减少计算量。

8. Global Average Pooling： 全局平均池化层，对特征图进行空间平均池化，将其转换为固定大小的特征向量。

9. Fully Connected Layer： 全连接层，将特征向量映射到类别概率分布。

10. Softmax： Softmax函数，用于计算输出类别的概率。

11. 输出层： 输出模型的预测结果。

DenseNet-121通过密集连接和过渡层的结合，实现了高效的特征传递和重用，减少了参数数量和计算量，并在许多图像分类任务中取得了良好的性能。