【简介】:基于flower_data使用PyTorch搭建GoogleLeNet模型进行图片分类
【参考】:4.1 VGG网络详解及感受野的计算_哔哩哔哩_bilibili
【代码完整版】:04 GoogLeNet(github.com)
注:本人还在学习初期,此文是为了梳理自己所学整理的,有些说法是自己的理解,不一定对,如有差错,请批评指正!
一、基础知识
1.背景
GoogLeNet在2014年由Google团队提出,斩获当年ImageNet竞赛中Classification Task (分类任务)第一名。
2.网络的亮点
网络中的亮点包括:
- 引入了Inception结构(融合不同尺度的特征信息)
- 使用1x1的卷积核进行降维以及映射处理
- 添加两个辅助分类器帮助训练
- 丢弃全连接层,使用平均池化层(大大减少模型参数)
AlexNet和VGG只有一个输出层,而GoogleLeNet有三个输出层(其中有两个是辅助分类层)
Inception模块
之前我们学到的网络结构都是串联的,而Inception结构是并联的,如下图(a),将上一层的输出同时输入到4个分支中进行处理,处理之后将这四个特征矩阵按深度进行拼接,得到一个输出特征矩阵,需要注意的是,每个每支所得到的特征矩阵宽高必须相同,否则无法沿深度方向进行拼接。
对于图(b),它是Inception结构加了一个降维的功能,以减少模型训练参数,减少计算量,起这个降维功能的,就是3个1x1的卷积层。
🤔那1x1卷积层是如何起到降维的作用的呢?
直观上讲,由于特征矩阵的深度由卷积核的个数所决定
,所以原来m×m×C1的矩阵,经1×1×C2的卷积层后,它的形状变为m×m×C2,只要C2<C1,它的维度就降低了。为了便于理解,这里放一张别人的图:参考链接
具体来说,对一个深度为512的特征矩阵使用64个大小为5x5的卷积核进行卷积,不使用1x1卷积核进行降维话一共需要819200个参数,如果使用1x1卷积核进行降维一共需要50688个参数,明显少了很多。
🤔这里的819200是如何计算出来的呢?即如何计算卷积过程中的参数量?
见下图
参数量指的是模型可学习的参数量,它只存在于卷积层、全连接层中,对于池化层、输出层,是没有的;而在卷积层中,它指的是权重weights和偏置bias。
假设输入特征图有C1=32个,输出特征图有C2=64个,卷积核的宽高为“ n * m ”=3x3 ,由于传统卷积核的深度(channel)与当前图像的深度相(channel)同,所以我们卷积核的尺寸为3 * 3* 32,对于第一层的输出,我们学习了64个不同的3 * 3 * 32卷积核,总权重为“ C1 * n * m * C2 ”。然后,每个特征图都有一个称为“偏差”的术语。因此,参数总数为“( C1 * n * m + 1) * C2 ”。
要是还不能理解,请看下面的示例:
单个卷积核多通道的卷积操作:
单个卷积核多通道:在反向传播过程中“蓝色框”里面的卷积核的所有参数都是可以更新的,这些参数即可学习的参数,对于单个卷积核是C1 * m * n,那对于C2个卷积核,就是“ C1 * n * m * C2 ”了。
辅助分类器
两个辅助分类器的输入分别来自Inception(4a)和Inception(4d)。
- 第一层是一个平均池化下采样层,池化核大小为5x5,stride=3
- 第二层是卷积层,卷积核大小为1x1,stride=1,卷积核个数是128
- 第三层是全连接层,节点个数是1024
- 第四层是全连接层,节点个数是1000(对应分类的类别个数)
3.网络结构
下面是原论文中给出的参数列表,对于我们搭建的Inception模块,所需要使用到参数有#1x1, #3x3reduce, #3x3, #5x5reduce, #5x5, poolproj,这6个参数,分别对应着所使用的卷积核个数。
#1x1表示1x1的卷积核的个数,#3x3reduce表示在3x3卷积核之前的1x1卷积核的个数,poolproj表示在池化层之后的1x1卷积核的个数。
以下是googleNet的网络结构图:
二、搭建模型
1.搭建GoogLeNet模型
由于每次Conv2d之后都会使用ReLU()激活函数,故将它们合在一起:
class BasicConv2d(nn.Module):
def __init__(self,in_channels,out_channels,**kwargs):
super(BasicConv2d,self).__init__()
self.conv=nn.Conv2d(in_channels,out_channels,**kwargs)
self.relu=nn.ReLU(inplace=True)
def forward(self,x):
x=self.conv()
x=self.relu()
return x
搭建Inception模块
:
class Inception(nn.Module):
def __init__(self,in_channels,ch1x1,ch3x3red,ch3x3,ch5x5red,ch5x5,pool_proj):
super(Inception,self).__init__()
self.branch1=BasicConv2d(in_channels,ch1x1,kernel_size=1)
self.branch2=nn.Sequential(
BasicConv2d(in_channels,ch3x3red,kernel_size=1),
BasicConv2d(ch3x3red,ch3x3,kernel_size=3,padding=1)#保证输出大小为1x1
)
self.branch3=nn.Sequential(
BasicConv2d(in_channels,ch5x5red,kernel_size=1),
BasicConv2d(ch5x5red,ch5x5,kernel_size=5,padding=2)
)
self.branch4=nn.Sequential(
nn.MaxPool2d(kernel_size=3,stride=1,padding=1),
BasicConv2d(in_channels,pool_proj,kernel_size=1)
)
def forward(self,x):
branch1=self.branch1(x)
branch2=self.branch2(x)
branch3=self.branch3(x)
branch4=self.branch4(x)
outputs=[branch1,branch2,branch3,branch4]
return torch.cat(outputs,1)#按深度展开
搭建辅助分类器
:
class InceptionAux(nn.Module):
def __init__(self,in_channels,num_classes):
super(InceptionAux,self).__init__()
self.averagePool=nn.AvgPool2d(kernel_size=5,stride=3)
self.conv=BasicConv2d(in_channels,out_channels=128,kernel_size=1)#output[batch,128,4,4]
self.fc1=nn.Linear(2048,1024 )
self.fc2 = nn.Linear(1024, num_classes)
def forward(self,x):
# aux1(4a): N x 512 x 14 x 14, aux2(4d): N x 528 x 14 x 14
x=self.averagePool(x)
# aux1: N x 512 x 4 x 4, aux2: N x 528 x 4 x 4
x=self.conv(x)
# N x 128 x 4 x 4
x=torch.flatten(x,1)#[N,C,H,W],按深度展开
# N x 2048
x=F.dropout(p=0.7,training=self.training)#训练模式下(model.train()),training自动设置为true
x=self.fc1(x)
x=F.relu(x,inplace=True)
# N x 1024
x=F.dropout(p=0.7,training=self.training)#评估模式下(model.eval()),training自动设置为false
x=self.fc2(x)
# N x num_classes
return x
搭建GoogLeNet网络
:
class GoogLeNet(nn.Module):
def __init__(self,num_classes=1000,aux_logits=True,init_weights=False):#aux_logits数字分类器
super(GoogLeNet,self).__init__()
self.aux_logits=aux_logits
#input=224,output=112,公式:(224-7+2p)/2+1=112-->p=2.5,但如果p取2,output=111.5,pytorch里面是向下取整,为111,不行
self.conv1=BasicConv2d(3,out_channels=64,kernel_size=7,stride=2,padding=3)
self.maxpool1=nn.MaxPool2d(kernel_size=3,stride=2,ceil_mode=True)#ceil_mode=True表示对求出的特征图上取整
# nn.LocalResponseNorm #在maxpool之后的localRespNorm没啥用,这里就不写上去
self.conv2=BasicConv2d(in_channels=64,out_channels=64,kernel_size=1,stride=1)
self.conv3=BasicConv2d(in_channels=64,out_channels=192,kernel_size=3,stride=1,padding=1)
self.maxpool2=nn.MaxPool2d(kernel_size=3,stride=2,ceil_mode=True)
self.inception3a=Inception(192,64,96,128,16,32,32)
self.inception3b=Inception(256,128,128,192,32,96,64)
self.maxpool3=nn.MaxPool2d(kernel_size=3,stride=2,ceil_mode=True)
self.inception4a=Inception(480,192,96,208,16,48,64)
self.inception4b=Inception(512,160,112,224,24,64,64)
self.inception4c=Inception(512,128,128,256,24,64,64)
self.inception4d=Inception(512,112,144,288,32,64,64)
self.inception4e=Inception(528,256,160,320,32,128,128)
self.maxpool4=nn.MaxPool2d(kernel_size=3,stride=2,ceil_mode=True)
self.inception5a=Inception(832,256,160,320,32,128,128)
self.inception5b=Inception(832,384,192,384,48,128,128)
self.avg=nn.AvgPool2d(kernel_size=7,stride=1)
if aux_logits:
self.aux1=InceptionAux(512,num_classes)#辅助分类器1是从4a接出来的,所以in_channels为4a的输出
self.aux2=InceptionAux(528,num_classes)#辅助分类器2是从4d接出来的,所以in_channels为4d的输出
self.avgpool=nn.AdaptiveAvgPool2d((1,1))#自适应宽高为1x1
self.dropout=nn.Dropout(p=0.4)
self.fc=nn.Linear(1024,num_classes)
if init_weights:
self._initialize_weights()
def forward(self, x):
# N x 3 x 224 x 224
x = self.conv1(x)
# N x 64 x 112 x 112
x = self.maxpool1(x)
# N x 64 x 56 x 56
x = self.conv2(x)
# N x 64 x 56 x 56
x = self.conv3(x)
# N x 192 x 56 x 56
x = self.maxpool2(x)
# N x 192 x 28 x 28
x = self.inception3a(x)
# N x 256 x 28 x 28
x = self.inception3b(x)
# N x 480 x 28 x 28
x = self.maxpool3(x)
# N x 480 x 14 x 14
x = self.inception4a(x)
# N x 512 x 14 x 14
if self.training and self.aux_logits: # eval model lose this layer
aux1 = self.aux1(x)
x = self.inception4b(x)
# N x 512 x 14 x 14
x = self.inception4c(x)
# N x 512 x 14 x 14
x = self.inception4d(x)
# N x 528 x 14 x 14
if self.training and self.aux_logits: # eval model lose this layer
aux2 = self.aux2(x)
x = self.inception4e(x)
# N x 832 x 14 x 14
x = self.maxpool4(x)
# N x 832 x 7 x 7
x = self.inception5a(x)
# N x 832 x 7 x 7
x = self.inception5b(x)
# N x 1024 x 7 x 7
x = self.avgpool(x)
# N x 1024 x 1 x 1
x = torch.flatten(x, 1)
# N x 1024
x = self.dropout(x)
x = self.fc(x)
# N x 1000 (num_classes)
if self.training and self.aux_logits: # eval model lose this layer
return x, aux2, aux1
return x
def _initialize_weights(self):
for m in self.modules():
if isinstance(m, nn.Conv2d):
nn.init.kaiming_normal_(m.weight, mode='fan_out', nonlinearity='relu')
if m.bias is not None:
nn.init.constant_(m.bias, 0)
elif isinstance(m, nn.Linear):
nn.init.normal_(m.weight, 0, 0.01)
nn.init.constant_(m.bias, 0)
2.训练
和之前训练AlexNet、VGG的步骤差不多,只需要修改少部分内容,如下:
1)定义模型
from model import GoogLeNet
net=GoogLeNet(num_classes=5,aux_logits=True,init_weights=True)
save_path='./GoogLeNet.pth'
2)训练时损失函数部分
# outputs=net(images.to(device))
# loss = loss_fn(outputs, labels.to(device))
logits,aux_logits2,aux_logits1=net(images.to(device))#有三个输出
loss0=loss_fn(logits,labels.to(device))
loss1=loss_fn(aux_logits1,labels.to(device))
loss2=loss_fn(aux_logits2,labels.to(device))
loss=loss0+0.3*loss1+0.3*loss2#对于辅助分类器的损失,按0.3的权重加入到总损失中
3.预测
预测也和之前训练AlexNet、VGG的步骤差不多,只需要修改少部分内容,如下:
- 在预测过程中不需要3个分类器,故在创建模型时将
aux_logits
设置为False,并且不需要初始化; - 但是之前保存的模型中有辅助分类器,这里将strict设置为False,为True则表示它会将当前模型与载入权重精准匹配,为False则不会,所以这里
unexpected_keys
就是辅助分类器的一些参数,无用。
# create model
model = GoogLeNet(num_classes=5, aux_logits=False).to(device)
# load model weights
weights_path = "./googleNet.pth"
assert os.path.exists(weights_path), "file: '{}' dose not exist.".format(weights_path)
missing_keys, unexpected_keys = model.load_state_dict(torch.load(weights_path, map_location=device),strict=False)
输出>:
class: daisy prob: 0.00997
class: dandelion prob: 0.00101
class: roses prob: 0.177
class: sunflowers prob: 0.00127
class: tulips prob: 0.811