1 引言
作为CVPR 2017最佳论文奖的Densely Connected Convolutional Networks ,一经公开就受到了广泛的关注,DenseNet在参数,计算量和网络性能等各方面表现都很出色,它的创新思想也给了所有深度学习的研究者巨大的启发。
令人遗憾的是,国内国外不少深度学习爱好者都对DenseNet在内存(本系列中不特殊说明的话,内存是指GPU内的memory)方面的消耗有一些疑惑,尽管DenseNet论文作者做了清楚的说明,也完成了Memory Efficient Implementation of DenseNets,但很多人仍旧人云亦云,也没有自己进行试验和分析。本系列的第二篇文章会对这一点进行详细探讨。
需要说明的是,本系列不是对DenseNet的介绍文章,而是以DenseNet作为实例,来尝试对深度学习系统进行工程化的分析,主要在训练、运算性能和模型结构三个方面来讨论。
2 代码实现简介
包括论文作者的代码在内,DenseNet已经有很多实现了,不过为了复现论文的结果,我仍旧自己做了一个实现,应该说还是比较准确的复现了论文的。
全部代码见:https://git