VGG,NINandGoogLeNet资源-CSDN文库

44 浏览量 2021-01-06 22:12:53 上传评论收藏 260KB PDF 举报

资源推荐

资源详情

资源评论

VGG,NIN and GoogLeNet

第一次使用kaggle的notebook，可以免费使用gpu还是挺爽的，不过就是不了解读取数据集的路径到底是怎么用的？感觉 /root/Datasets/里面的数据集不是主页面的Datasets

加强记忆:计算卷积，池化的H,W

conv:W/H_new = (W/H_old + 2*padding – kernel_size) / stride +1 (padding是上下左右对称加的)

pad: W/H_new = (W/H_old – kernel_size) / stride + 1

VGG 使用重复元素的网络使用重复元素的网络

VGG的计算单位是一个Block，每一个Block都有数个:数个相同的填充为1、窗口形状为3 * 3的卷积层,接上一个步幅为2、窗口形状2 * 2的最大池化层。

卷积层保持输入的高和宽不变，而池化层则对其减半。

def vgg_block(num_convs, in_channels, out_channels): #卷积层个数，输入通道数，输出通道数

blk = [] for i in range(num_convs):

if i == 0:

blk.append(nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1))

else:

blk.append(nn.Conv2d(out_channels, out_channels, kernel_size=3, padding=1))

blk.append(nn.ReLU())

blk.append(nn.MaxPool2d(kernel_size=2, stride=2)) # 这里会使宽高减半

return nn.Sequential(*blk)

# 添加的时候超级方便，直接使用add_module,并且命个名,同样链接dense也需要flatten一下

def vgg(conv_arch, fc_features, fc_hidden_units=4096):

net = nn.Sequential()

# 卷积层部分

for i, (num_convs, in_channels, out_channels) in enumerate(conv_arch):

# 每经过一个vgg_block都会使宽高减半

net.add_module("vgg_block_" + str(i+1), vgg_block(num_convs, in_channels, out_channels))

# 全连接层部分

net.add_module("fc", nn.Sequential(d2l.FlattenLayer(), # 展平三维变一维

nn.Linear(fc_features, fc_hidden_units),

nn.ReLU(),

nn.Dropout(0.5),

nn.Linear(fc_hidden_units, fc_hidden_units),

nn.ReLU(),

nn.Dropout(0.5),

nn.Linear(fc_hidden_units, 10)

))

return net

补充：在训练的时候，如果样本太少，参数可以适当减少；参数多样本少容易产生过拟合。

NiN 网络中的网络网络中的网络

1*1卷积核的作用：

可以对feature map进行通道的放缩；

相当于全连接的计算过程，不相当于全连接的计算过程，不flatten再计算，不会丢失空间信息，并且可以加上非线性激活参数再计算，不会丢失空间信息，并且可以加上非线性激活参数；

大大减少参数量！（在其他博客学到的）

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余2页未读，立即下载

内容反馈

weixin_38704922

粉丝: 6
资源: 919

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈

feedback-tip