Bachbone 之 DenseNet:继往开来(Pytorch实现及代码解析)

Posted 心之所向521

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Bachbone 之 DenseNet:继往开来(Pytorch实现及代码解析)相关的知识,希望对你有一定的参考价值。

背景:

上一节的ResNet通过前层与后层的“短路连接”(Shortcuts),加强了前后层之间的信息流通在一定程度上缓解了梯度消失现象从而可以将神经网络搭建得很深。更进一步,本节的主角DenseNet最大化了这种前后层信息交流,通过建立前面所有层与后面层的密集连接,实现了特征在通道维度上的复用,使其可以在参数与计算量更少的情况下实现比ResNet更优的性能,提出DenseNet的《Densely Connected Convolutional Networks》也一举拿下了2017年CVPR的最佳论文。

DenseNet的网络架构:

如图所示,网络由多个Dense Block与中间的卷积池化组成,核心就在Dense Block中。Dense Block中的黑点代表一个卷积层,其中的多条黑线代表数据的流动,每一层的输入由前面的所有卷积层的输出组成。注意这里使用了通道拼接(Concatnate)操作,而非ResNet的逐元素相加操作(区分与ResNet)

DenseNet的结构有如下两个特性:

  • 神经网络一般需要使用池化等操作缩小特征图尺寸来提取语义特征,而Dense Block需要保持每一个Block内的特征图尺寸一致来直接进行Concatnate操作,因此DenseNet被分成了多个Block。Block的数量一般为4。

  • 两个相邻的Dense Block之间的部分被称为Transition层,具体包括BN、ReLU、1×1卷积、2×2平均池化操作。1×1卷积的作用是降维,起到压缩模型的作用,而平均池化则是降低特征图的尺寸。

具体的Block实现细节如下图所示,每一个Block由若干个Bottleneck的卷积层组成,对应图3.19中的黑点。Bottleneck由BN、ReLU、1×1卷积、BN、ReLU、3×3卷积的顺序构成。

关于Block,有以下4个细节需要注意:

  • 每一个Bottleneck输出的特征通道数是相同的,例如这里的32。同时可以看到,经过Concatnate操作后的通道数是按32的增长量增加的,因此这个32也被称GrowthRate。

  • 这里1×1卷积的作用是固定输出通道数,达到降维的作用。当几十个Bottleneck相连接时,Concatnate后的通道数会增加到上千,如果不增加1×1的卷积来降维,后续3×3卷积所需的参数量会急剧增加。1×1卷积的通道数通常是GrowthRate的4倍。

  • 图中的特征传递方式是直接将前面所有层的特征Concatnate后传到下一层,这种方式与具体代码实现的方式是一致的,而不像最上面图中,前面层都要有一个箭头指向后面的所有层。

  • Block采用了激活函数在前、卷积层在后的顺序,这与一般的网络上是不同的。

具体代码实现:

import torch
from torch import nn
import torch.nn.functional as F
###实现一个Bottleneck的类,初始化时需要输入通道数和GrowthRate两个参数---代表的是每一个小砖块
class Bottleneck(nn.Module):
    def __init__(self, nChannels, growthRate):
        super(Bottleneck, self).__init__()
        interChannels = 4*growthRate
        self.bn1 = nn.BatchNorm2d(nChannels)
        self.conv1 = nn.Conv2d(nChannels, interChannels, kernel_size=1,
                               bias=False)
        self.bn2 = nn.BatchNorm2d(interChannels)
        self.conv2 = nn.Conv2d(interChannels, growthRate, kernel_size=3,
                               padding=1, bias=False)
    def forward(self, x):
        out = self.conv1(F.relu(self.bn1(x)))
        out = self.conv2(F.relu(self.bn2(out)))
        ###将x和计算的结果out进行通道拼接
        out = torch.cat((x, out), 1)
        return out
​
###构造DenseNet
class Denseblock(nn.Module):
    def __init__(self, nChannels, growthRate, nDenseBlocks):
        super(Denseblock, self).__init__()
        layers = []
        ###将每一个Bottleneck利用nn.Sequential()整合起来,输入通道需要线性增长
        for i in range(int(nDenseBlocks)):
            layers.append(Bottleneck(nChannels, growthRate))
            nChannels += growthRate
        self.denseblock = nn.Sequential(*layers)  ##将所有的Bottleneck转化为元组的形式作为输入
    def forward(self, x):
        return self.denseblock(x)
​

DenseNet网络的优势主要体现在以下两个方面:

  • 密集连接的特殊网络,使得每一层都会接受其后所有层的梯度,而不是像普通卷积链式的反传,因此一定程度上解决了梯度消失的问题。

  • 通过Concatnate操作使得大量的特征被复用,每个层独有的特征图的通道是较少的,因此相比ResNet,DenseNet参数更少且计算更高效。

DenseNet的不足在于:

  • 由于需要进行多次Concatnate操作,数据需要被复制多次,显存容易增加得很快,需要一定的显存优化技术。

  • 另外,DenseNet是一种更为特殊的网络,ResNet则相对一般化一些,因此ResNet的应用范围更广泛。

以上是关于Bachbone 之 DenseNet:继往开来(Pytorch实现及代码解析)的主要内容,如果未能解决你的问题,请参考以下文章

继往开来-忆2015之工作篇

总结近期CNN模型的发展---- ResNet [1, 2] Wide ResNet [3] ResNeXt [4] DenseNet [5] DPNet

Pytorch CIFAR10图像分类 DenseNet篇

DenseNet实战:tensorflow2.X版本,DenseNet121图像分类任务(小数据集)

深度学习第J3周:DenseNet算法实战与解析

在 Keras 下缩小 Densenet121