在Paddle中利用AlexNet测试CIFAR10数据集合

Posted 2022-01-11 卓晴

简 介： 利用Paddle框架搭建了AlexNet网络，并在AI Studio上利用其至尊版本测试了AlexNet对于Cifar10的分类效果。 基础的训练在测试集合上的分类效果没有能够超过60%，这对于一些文章中提到的高达80% 的分类效果还有一定的距离。

关键词： Cifar10，Alexnet

 

§01 AlexNet

---

1.1 背景介绍

  在 2021年人工神经网络第四次作业要求 给出了NN课程中的第四次作业要求。关于Cifar10数据集合，在 2021年人工神经网络第四次作业 - 第三题Cifar10 中尝试使用BP，LeNet结构进行训练，在测试集合上的准确性始终无法突破30%。但是测试集合的精度很快就打到的饱和。

  在其中简单修改了网络结构，调整学习速率以及使用Dropout层，对于结果影响不带。

  参考博文 深度学习识别CIFAR10：pytorch训练LeNet、AlexNet、VGG19实现及比较（二） 中介绍的 AlexNet 的实现方法，在Paddle平台上完成该网络的搭建与测试。

1.2 原文代码

  原文根据AlexNet的结构，结合 The CIFAR-10 dataset 图片的特点（32×32×3），对AlexNet网络结构进行了微调：

  AlexNet的网络结构：

▲ 图1.2.1 AlexNet的网络结构

  对CIFAR10，图片是3232，尺寸远小于227227，因此对网络结构和参数需做微调：

• 卷积层1：核大小7*7，步长2，填充2
• 最后一个max-pool层删除

1.2.1 网络代码

  网络定义代码如下：

 1 class AlexNet(nn.Module):
 2     def __init__(self):
 3         super(AlexNet, self).__init__()
 4 
 5         self.cnn = nn.Sequential(
 6             # 卷积层1，3通道输入，96个卷积核，核大小7*7，步长2，填充2
 7             # 经过该层图像大小变为32-7+2*2 / 2 +1，15*15
 8             # 经3*3最大池化，2步长，图像变为15-3 / 2 + 1， 7*7
 9             nn.Conv2d(3, 96, 7, 2, 2),
10             nn.ReLU(inplace=True),
11             nn.MaxPool2d(3, 2, 0),
12 
13             # 卷积层2，96输入通道，256个卷积核，核大小5*5，步长1，填充2
14             # 经过该层图像变为7-5+2*2 / 1 + 1，7*7
15             # 经3*3最大池化，2步长，图像变为7-3 / 2 + 1， 3*3
16             nn.Conv2d(96, 256, 5, 1, 2),
17             nn.ReLU(inplace=True),
18             nn.MaxPool2d(3, 2, 0),
19 
20             # 卷积层3，256输入通道，384个卷积核，核大小3*3，步长1，填充1
21             # 经过该层图像变为3-3+2*1 / 1 + 1，3*3
22             nn.Conv2d(256, 384, 3, 1, 1),
23             nn.ReLU(inplace=True),
24 
25             # 卷积层3，384输入通道，384个卷积核，核大小3*3，步长1，填充1
26             # 经过该层图像变为3-3+2*1 / 1 + 1，3*3
27             nn.Conv2d(384, 384, 3, 1, 1),
28             nn.ReLU(inplace=True),
29 
30             # 卷积层3，384输入通道，256个卷积核，核大小3*3，步长1，填充1
31             # 经过该层图像变为3-3+2*1 / 1 + 1，3*3
32             nn.Conv2d(384, 256, 3, 1, 1),
33             nn.ReLU(inplace=True)
34         )
35 
36         self.fc = nn.Sequential(
37             # 256个feature，每个feature 3*3
38             nn.Linear(256*3*3, 1024),
39             nn.ReLU(),
40             nn.Linear(1024, 512),
41             nn.ReLU(),
42             nn.Linear(512, 10)
43         )
44 
45     def forward(self, x):
46         x = self.cnn(x)
47 
48         # x.size()[0]: batch size
49         x = x.view(x.size()[0], -1)
50         x = self.fc(x)
51 
52         return x

1.3 Paddle模型实现

  利用Paddle中的神经网络模型构建Alexnet。

1.3.1 搭建Alexnet网络

（1）网络代码

import paddle

class alexnet(paddle.nn.Layer):
    def __init__(self, ):
        super(alexnet, self).__init__()
        self.conv1 = paddle.nn.Conv2D(in_channels=3, out_channels=96, kernel_size=7, stride=2, padding=2)
        self.conv2 = paddle.nn.Conv2D(in_channels=96, out_channels=256, kernel_size=5, stride=1, padding=2)
        self.conv3 = paddle.nn.Conv2D(in_channels=256, out_channels=384, kernel_size=3, stride=1, padding=1)
        self.conv4 = paddle.nn.Conv2D(in_channels=384, out_channels=384, kernel_size=3, stride=1, padding=1)
        self.conv5 = paddle.nn.Conv2D(in_channels=384, out_channels=256, kernel_size=3, stride=1, padding=1)
        self.mp1    = paddle.nn.MaxPool2D(kernel_size=3, stride=2)
        self.mp2    = paddle.nn.MaxPool2D(kernel_size=3, stride=2)
        self.L1     = paddle.nn.Linear(in_features=256*3*3, out_features=1024)
        self.L2     = paddle.nn.Linear(in_features=1024, out_features=512)
        self.L3     = paddle.nn.Linear(in_features=512, out_features=10)

    def forward(self, x):
        x = self.conv1(x)
        x = paddle.nn.functional.relu(x)
        x = self.mp1(x)
        x = self.conv2(x)
        x = paddle.nn.functional.relu(x)
        x = self.mp2(x)
        x = self.conv3(x)
        x = paddle.nn.functional.relu(x)
        x = self.conv4(x)
        x = paddle.nn.functional.relu(x)
        x = self.conv5(x)
        x = paddle.nn.functional.relu(x)
        x = paddle.flatten(x, start_axis=1, stop_axis=-1)
        x = self.L1(x)
        x = paddle.nn.functional.relu(x)
        x = self.L2(x)
        x = paddle.nn.functional.relu(x)
        x = self.L3(x)
        return x

（2）网络结构

  应用paddle.summary检查网络结构是否正确。

model = alexnet()

paddle.summary(model, (100,3,32,32))

---------------------------------------------------------------------------
 Layer (type)       Input Shape          Output Shape         Param #    
===========================================================================
   Conv2D-16     [[100, 3, 32, 32]]   [100, 96, 15, 15]       14,208     
  MaxPool2D-7   [[100, 96, 15, 15]]    [100, 96, 7, 7]           0       
   Conv2D-17     [[100, 96, 7, 7]]     [100, 256, 7, 7]       614,656    
  MaxPool2D-8    [[100, 256, 7, 7]]    [100, 256, 3, 3]          0       
   Conv2D-18     [[100, 256, 3, 3]]    [100, 384, 3, 3]       885,120    
   Conv2D-19     [[100, 384, 3, 3]]    [100, 384, 3, 3]      1,327,488   
   Conv2D-20     [[100, 384, 3, 3]]    [100, 256, 3, 3]       884,992    
   Linear-10       [[100, 2304]]         [100, 1024]         2,360,320   
   Linear-11       [[100, 1024]]          [100, 512]          524,800    
   Linear-12        [[100, 512]]          [100, 10以上是关于在Paddle中利用AlexNet测试CIFAR10数据集合的主要内容，如果未能解决你的问题，请参考以下文章
 
 AI Studio ： 利用Paddle框架中的极简框架识别MNIST
 2021年人工神经网络第四次作业 - 第三题Cifar10
 Paddle中的数据集合定义与加载
 步态识别基于深度学习的步态识别系统的MATLAB仿真，包括ALEXNET，改进CNN，GOOGLENET
 Paddle 经验分享利用PaddleHub 2.x 完成文本分类训练的坑
 AlexNet--CNN经典网络模型详解（pytorch实现）