深度学习入门（三十一）卷积神经网络——GoogLeNet

澪mio

已于 2022-11-14 18:49:57 修改

阅读量2.5k

点赞数 5

分类专栏：深度学习文章标签：深度学习 cnn 神经网络

于 2022-11-14 09:46:14 首次发布

本文链接：https://blog.csdn.net/qq_52358603/article/details/127841336

版权

深度学习专栏收录该内容

71 篇文章 90 订阅

订阅专栏

深度学习入门（三十一）卷积神经网络——GoogLeNet

前言
卷积神经网络——GoogLeNet

前言

核心内容来自博客链接1 博客连接2希望大家多多支持作者
本文记录用，防止遗忘

卷积神经网络——GoogLeNet

课件

最好的卷积层超参数？

在这里插入图片描述

Inception：全都要

4个路径从不同层面抽取信息，然后在输出通道维合并
在这里插入图片描述

Inception块

在这里插入图片描述
跟单3x3或5x5卷积层比，Inception块有更少的参数个数和计算复杂度

	#parameters	FLOPS
Inception	0.16M	128M
3×3	0.44M	346M
5×5	1.22M	963M

GoogLeNet

5段，9个Inception块
在这里插入图片描述

段1$2

更小的宽口，更多的通道
在这里插入图片描述

段3

在这里插入图片描述

段4&5

在这里插入图片描述

Inception各种变种

1、Inception-BN(v2)-使用batch normalization(后面介绍)
2、Inception-V3-修改了Inception块
·替换5x5为多个3x3卷积层
·替换5x5为lx7和7xl卷积层
·替换3x3为1x3和3xl卷积层
·更深
3、Inception-V4-使用残差连接(后面介绍)

Inception-V3，段3

在这里插入图片描述

Inception-V3，段4

在这里插入图片描述

Inception-V3，段5

在这里插入图片描述

总结

lnception块用4条有不同超参数的卷积层和池化层的路来抽取不同的信息
·它的一个主要优点是模型参数小，计算复杂度低
GoogleNet使用了9个Inception块，是第一个达到上百层的网络

教材

在2014年的ImageNet图像识别挑战赛中，一个名叫GoogLeNet的网络架构大放异彩。 GoogLeNet吸收了NiN中串联网络的思想，并在此基础上做了改进。这篇论文的一个重点是解决了什么样大小的卷积核最合适的问题。毕竟，以前流行的网络使用小到 $\times 1$ ，大到 $11 \times 11$ 的卷积核。本文的一个观点是，有时使用不同大小的卷积核组合是有利的。在本节中，我们将介绍一个稍微简化的GoogLeNet版本：我们省略了一些为稳定训练而添加的特殊特性，现在有了更好的训练方法，这些特性不是必要的。

1 Inception块

在GoogLeNet中，基本的卷积块被称为Inception块（Inception block）
在这里插入图片描述
如图所示，Inception块由四条并行路径组成。前三条路径使用窗口大小为 $1\times 1$ 、 $3\times 3$ 和 $5\times 5$ 的卷积层，从不同空间大小中提取信息。中间的两条路径在输入上执行 $1\times 1$ 卷积，以减少通道数，从而降低模型的复杂性。第四条路径使用 $3\times 3$ 最大汇聚层，然后使用 $1\times 1$ 卷积层来改变通道数。这四条路径都使用合适的填充来使输入与输出的高和宽一致，最后我们将每条线路的输出在通道维度上连结，并构成Inception块的输出。在Inception块中，通常调整的超参数是每层输出通道数。

import torch
from torch import nn
from torch.nn import functional as F
from d2l import torch as d2l


class Inception(nn.Module):
    # c1--c4是每条路径的输出通道数
    def __init__(self, in_channels, c1, c2, c3, c4, **kwargs):
        super(Inception, self).__init__(**kwargs)
        # 线路1，单1x1卷积层
        self.p1_1 = nn.Conv2d(in_channels, c1, kernel_size=1)
        # 线路2，1x1卷积层后接3x3卷积层
        self.p2_1 = nn.Conv2d(in_channels, c2[0], kernel_size=1)
        self.p2_2 = nn.Conv2d(c2[0], c2[1], kernel_size=3, padding=1)
        # 线路3，1x1卷积层后接5x5卷积层
        self.p3_1 = nn.Conv2d(in_channels, c3[0], kernel_size=1)
        self.p3_2 = nn.Conv2d(c3[0], c3[1], kernel_size=5, padding=2)
        # 线路4，3x3最大汇聚层后接1x1卷积层
        self.p4_1 = nn.MaxPool2d(kernel_size=3, stride=1, padding=1)
        self.p4_2 = nn.Conv2d(in_channels, c4, kernel_size=1)

    def forward(self, x):
        p1 = F.relu(self.p1_1(x))
        p2 = F.relu(self.p2_2(F.relu(self.p2_1(x))))
        p3 = F.relu(self.p3_2(F.relu(self.p3_1(x))))
        p4 = F.relu(self.p4_2(self.p4_1(x)))
        # 在通道维度上连结输出
        return torch.cat((p1, p2, p3, p4), dim=1)

那么为什么GoogLeNet这个网络如此有效呢？首先我们考虑一下滤波器（filter）的组合，它们可以用各种滤波器尺寸探索图像，这意味着不同大小的滤波器可以有效地识别不同范围的图像细节。同时，我们可以为不同的滤波器分配不同数量的参数。

2 GoogLeNet模型

如图所示，GoogLeNet一共使用9个Inception块和全局平均汇聚层的堆叠来生成其估计值。Inception块之间的最大汇聚层可降低维度。第一个模块类似于AlexNet和LeNet，Inception块的组合从VGG继承，全局平均汇聚层避免了在最后使用全连接层。
在这里插入图片描述
现在，我们逐一实现GoogLeNet的每个模块。第一个模块使用64个通道、 $7\times 7$ 卷积层

b1 = nn.Sequential(nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3),
                   nn.ReLU(),
                   nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

第二个模块使用两个卷积层：第一个卷积层是64个通道、 $1\times 1$ 卷积层；第二个卷积层使用将通道数量增加三倍的 $3\times 3$ 卷积层。这对应于Inception块中的第二条路径。

b2 = nn.Sequential(nn.Conv2d(64, 64, kernel_size=1),
                   nn.ReLU(),
                   nn.Conv2d(64, 192, kernel_size=3, padding=1),
                   nn.ReLU(),
                   nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

第三个模块串联两个完整的Inception块。第一个Inception块的输出通道数为 $64 + 128 + 32 + 32 = 256$ ，四个路径之间的输出通道数量比为 $64 : 128 : 32 : 32 = 2 : 4 : 1 : 1$ 。第二个和第三个路径首先将输入通道的数量分别减少到 $96 / 192 = 1 / 2$ 和 $16 / 192 = 1 / 12$ ，然后连接第二个卷积层。第二个Inception块的输出通道数增加到 $128 + 192 + 96 + 64 = 480$ ，四个路径之间的输出通道数量比为 $128 : 192 : 96 : 64 = 4 : 6 : 3 : 2$ 。第二条和第三条路径首先将输入通道的数量分别减少到 $128 / 256 = 1 / 2$ 和 $32 / 256 = 1 / 8$ 。

b3 = nn.Sequential(Inception(192, 64, (96, 128), (16, 32), 32),
                   Inception(256, 128, (128, 192), (32, 96), 64),
                   nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

第四模块更加复杂，它串联了5个Inception块，其输出通道数分别是 $192 + 208 + 48 + 64 = 512$ 、 $160 + 224 + 64 + 64 = 512$ 、 $128 + 256 + 64 + 64 = 512$ 、 $112 + 288 + 64 + 64 = 528$ 和 $256 + 320 + 128 + 128 = 832$ 。这些路径的通道数分配和第三模块中的类似，首先是含 $3 \times 3$ 卷积层的第二条路径输出最多通道，其次是仅含 $1 \times 1$ 卷积层的第一条路径，之后是含 $5 \times 5$ 卷积层的第三条路径和含 $3 \times 3$ 最大汇聚层的第四条路径。其中第二、第三条路径都会先按比例减小通道数。这些比例在各个Inception块中都略有不同。

b4 = nn.Sequential(Inception(480, 192, (96, 208), (16, 48), 64),
                   Inception(512, 160, (112, 224), (24, 64), 64),
                   Inception(512, 128, (128, 256), (24, 64), 64),
                   Inception(512, 112, (144, 288), (32, 64), 64),
                   Inception(528, 256, (160, 320), (32, 128), 128),
                   nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

第五模块包含输出通道数为 $256 + 320 + 128 + 128 = 832$ 和 $384 + 384 + 128 + 128 = 1024$ 的两个Inception块。其中每条路径通道数的分配思路和第三、第四模块中的一致，只是在具体数值上有所不同。需要注意的是，第五模块的后面紧跟输出层，该模块同NiN一样使用全局平均汇聚层，将每个通道的高和宽变成1。最后我们将输出变成二维数组，再接上一个输出个数为标签类别数的全连接层。

b5 = nn.Sequential(Inception(832, 256, (160, 320), (32, 128), 128),
                   Inception(832, 384, (192, 384), (48, 128), 128),
                   nn.AdaptiveAvgPool2d((1,1)),
                   nn.Flatten())

net = nn.Sequential(b1, b2, b3, b4, b5, nn.Linear(1024, 10))

GoogLeNet模型的计算复杂，而且不如VGG那样便于修改通道数。为了使Fashion-MNIST上的训练短小精悍，我们将输入的高和宽从224降到96，这简化了计算。下面演示各个模块输出的形状变化。

X = torch.rand(size=(1, 1, 96, 96))
for layer in net:
    X = layer(X)
    print(layer.__class__.__name__,'output shape:\t', X.shape)

输出：

Sequential output shape:     torch.Size([1, 64, 24, 24])
Sequential output shape:     torch.Size([1, 192, 12, 12])
Sequential output shape:     torch.Size([1, 480, 6, 6])
Sequential output shape:     torch.Size([1, 832, 3, 3])
Sequential output shape:     torch.Size([1, 1024])
Linear output shape:         torch.Size([1, 10])

3 训练模型

和以前一样，我们使用Fashion-MNIST数据集来训练我们的模型。在训练之前，我们将图片转换为 $96 \times 96$ 分辨率。

lr, num_epochs, batch_size = 0.1, 10, 128
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, resize=96)
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())

输出：

loss 0.254, train acc 0.904, test acc 0.885
3570.5 examples/sec on cuda:0

在这里插入图片描述

4 小结

1、Inception块相当于一个有4条路径的子网络。它通过不同窗口形状的卷积层和最大汇聚层来并行抽取信息，并使用卷积层减少每像素级别上的通道维数从而降低模型复杂度。
2、GoogLeNet将多个设计精细的Inception块与其他层（卷积层、全接层）串联起来。其中Inception块的通道数分配之比是在ImageNet数据集上通过大量的实验得来的。
3、GoogLeNet和它的后继者们一度是ImageNet上最有效的模型之一：它以较低的计算复杂度提供了类似的测试精度。

参考文献

[1] Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., & Anguelov, D. & Rabinovich, A.(2015). Going deeper with convolutions. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1-9).

[2] Ioffe, S., & Szegedy, C. (2015). Batch normalization: Accelerating deep network training by reducing internal covariate shift. arXiv preprint arXiv:1502.03167.

[3] Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., & Wojna, Z. (2016). Rethinking the inception architecture for computer vision. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 2818-2826).

[4] Szegedy, C., Ioffe, S., Vanhoucke, V., & Alemi, A. A. (2017, February). Inception-v4, inception-resnet and the impact of residual connections on learning. In Proceedings of the AAAI Conference on Artificial Intelligence (Vol. 4, p. 12).

澪mio

关注

5
点赞
踩
37

收藏

觉得还不错? 一键收藏
1
评论
深度学习入门（三十一）卷积神经网络——GoogLeNet

最好的卷积层超参数？Inception：全都要Inception块GoogLeNet段1$2段3段4&5Inception各种变种Inception-V3，段3Inception-V3，段4Inception-V3，段5总结教材1 Inception块2 GoogLeNet模型3 训练模型4 小结
复制链接

扫一扫