网络中的网络NIN
全连接层尤其占用参数空间,全连接层最重要的问题是会带来过拟合。
卷积层的参数 = 输入的通道数 * 输出的通道数 * 卷积核的高 * 卷积核的宽
全连接层的参数 = 输入的像素 * 输出的通道数
NiN块就是卷积层后跟两个 1 * 1 的卷积层
NIN的设计思路就是不要全连接层,节省了大量的参数空间和参数优化时间,用1 * 1的卷积层代替全连接层,1 * 1的卷积层相当于固定参数的全连接层。
卷积层或池化层输出的大小 = ( 输入大小+2*padding-kernel_size )/步幅 + 1
注意:前面部分要向下取整。
QA:
- 在卷积后面加池化层,压缩了卷积层的输出,降低了模型复杂度,会提升模型的泛化能力,但会使得模型收敛变慢。
- NiN增加了非线性性的原因在于,两个 1 * 1 的卷积层中有两个激活函数。
NIN块,卷积层后跟两个 1*1 的卷积层
import torch
from torch import nn
from d2l import torch as d2l
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(),nn.Conv2d(out_channels,out_channels,kernel_size=1),
nn.ReLU(),nn.Conv2d(out_channels,out_channels,kernel_size=1),
nn.ReLU()
)
NIN模型
from torch.nn.modules.pooling import AdaptiveAvgPool2d
net = nn.Sequential(
nin_block(1,96,kernel_size=11,strides=4,padding=0),
nn.MaxPool2d(3,stride=2),
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),
nin_block(384,10,kernel_size=3,strides=1,padding=1),
nn.AdaptiveAvgPool2d((1,1)),
nn.Flatten()
)
x = torch.randn(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 = 0.1,5,128
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())