「深度学习一遍过」必修14:基于pytorch研究深度可分离卷积与正常卷积的性能差异

Posted 荣仔!最靓的仔!

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了「深度学习一遍过」必修14:基于pytorch研究深度可分离卷积与正常卷积的性能差异相关的知识,希望对你有一定的参考价值。

本专栏用于记录关于深度学习的笔记,不光方便自己复习与查阅,同时也希望能给您解决一些关于深度学习的相关问题,并提供一些微不足道的人工神经网络模型设计思路。
专栏地址:「深度学习一遍过」必修篇   

目录

1 正常卷积

2 深度可分离卷积

 3 性能比较


1 正常卷积

以某二分类问题为例

核心代码 

class simpleconv3(nn.Module):
    def __init__(self):
        super(simpleconv3,self).__init__()
        self.conv1 = nn.Conv2d(3, 12, 3, 2)
        self.bn1 = nn.BatchNorm2d(12)
        self.conv2 = nn.Conv2d(12, 24, 3, 2)
        self.bn2 = nn.BatchNorm2d(24)
        self.conv3 = nn.Conv2d(24, 48, 3, 2)
        self.bn3 = nn.BatchNorm2d(48)
        self.fc1 = nn.Linear(1200 , 1200)
        self.fc2 = nn.Linear(1200 , 128)
        self.fc3 = nn.Linear(128 , 2)

    def forward(self , x):
        x = F.relu(self.bn1(self.conv1(x)))
        x = F.relu(self.bn2(self.conv2(x)))
        x = F.relu(self.bn3(self.conv3(x)))
        x = x.view(-1 , 1200)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

模型结构  

2 深度可分离卷积

还以此二分类问题为例 

核心代码 

class simpleconv3(nn.Module):
    def __init__(self):
        super(simpleconv3,self).__init__()
        self.conv1 = nn.Conv2d(3, 12, 3, 2)
        self.bn1 = nn.BatchNorm2d(12)
        self.conv2 = nn.Conv2d(12, 24, 3, 2)
        self.bn2 = nn.BatchNorm2d(24)
        self.depth_conv = nn.Conv2d(in_channels=24,out_channels=24,kernel_size=3,stride=2,padding=1,groups=24)
        self.bn3_1 = nn.BatchNorm2d(24)
        self.point_conv = nn.Conv2d(in_channels=24,out_channels=48,kernel_size=1,stride=2,padding=0,groups=1)
        self.bn3_2 = nn.BatchNorm2d(48)
        self.fc2 = nn.Linear(432, 128)
        self.fc3 = nn.Linear(128 , 2)

    def forward(self , x):
        x = F.relu(self.bn1(self.conv1(x)))
        x = F.relu(self.bn2(self.conv2(x)))
        x = F.relu(self.bn3_1(self.depth_conv(x)))
        x = F.relu(self.bn3_2(self.point_conv(x)))
        x = x.view(-1 , 432)
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

模型结构 

 3 性能比较

参数量训练时间(秒/百轮)模型大小验证集准确率Top
正常的卷积1,608,722191.03

6,293 KB

0.9785
深度可分离卷积60,290151.77246 KB0.9586

 训练集与测试集上的  及  曲线比较:(灰线:正常卷积;绿线:深度可分离卷积)

欢迎大家交流评论,一起学习

希望本文能帮助您解决您在这方面遇到的问题

感谢阅读
END

以上是关于「深度学习一遍过」必修14:基于pytorch研究深度可分离卷积与正常卷积的性能差异的主要内容,如果未能解决你的问题,请参考以下文章

「深度学习一遍过」必修17:基于Pytorch细粒度分类实战

「深度学习一遍过」必修15:PyTorch模型分析

「深度学习一遍过」必修10:pytorch 框架的使用

「深度学习一遍过」必修3:Pytorch数据读取——使用Dataloader读取Dataset

「深度学习一遍过」必修13:使用pytorch对Inception结构模型进行设计

「深度学习一遍过」必修5:从头训练自己的数据无从下手?来看看这10个pytorch自带的分类模型叭