DenseNet121网络结构

DenseNet121是DenseNet系列中的一个经典模型，它具有121层的深度。

下面是DenseNet121的网络结构的概述：

1. 输入层：接受输入图像。
2. 卷积层：使用7x7的卷积核对输入图像进行卷积操作，步幅为2，输出通道数为64，padding方式为valid。
3. 批归一化层：对卷积层的输出进行批归一化操作。
4. ReLU激活函数：应用ReLU激活函数对批归一化层的输出进行非线性变换。
5. 池化层：使用3x3的最大池化层进行下采样，步幅为2，减少特征图的尺寸。
6. Dense Block 1：由多个密集块（Dense Block）组成，每个密集块中包含若干个密集连接层（Dense Connection Layer）。
7. 过渡层 1：用于降低特征图的尺寸和通道数。包括1x1的卷积层和2x2的平均池化层。
8. Dense Block 2：与Dense Block 1类似的结构。
9. 过渡层 2：类似于过渡层 1。
10. Dense Block 3：与Dense Block 1类似的结构。
11. 过渡层 3：类似于过渡层 1。
12. Dense Block 4：与Dense Block 1类似的结构。
13. 全局平均池化层：对最后一个密集块的输出特征图进行全局平均池化操作，将特征图的尺寸降为1x1。
14. 全连接层：将全局平均池化层的输出连接到一个全连接层，用于最终的分类任务。
15. Softmax层：应用Softmax函数对全连接层的输出进行归一化，得到最终的分类结果。

以上是DenseNet121的网络结构的概述。DenseNet通过引入密集连接和特征重用的机制，在相对较少的参数量下实现了较好的性能，并且能够缓解梯度消失问题。实际网络中，还会存在一些细节处理，如卷积核大小、通道数等，但整体结构与上述描述相符。