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:
-
输入层: 接收输入图像的数据。
-
Conv2D: 一个7x7的卷积层,步长为2,用于从输入图像中提取特征。
-
BatchNorm: 批归一化层,用于对特征进行规范化,加速训练过程。
-
ReLU: ReLU激活函数,引入非线性变换。
-
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。
-
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。
-
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。
-
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。
-
Fully Connected Layer: 全连接层,将特征向量映射到类别概率分布。
-
Softmax: Softmax函数,用于计算输出类别的概率。
-
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。