永久建站平台,广州网站建设讯度,哈尔滨网站设计公司电话,wordpress电商小程序网络结构是卷积神经网络#xff08;CNN#xff09;发展的关键。其中#xff0c;网络结构的改进至关重要。本文将介绍一种具有创新意义的卷积神经网络——NIN#xff08;Network in Network#xff09;。LeNet、AlexNet和VGG都有一个共同的设计模式#xff1a;通过一系列的…网络结构是卷积神经网络CNN发展的关键。其中网络结构的改进至关重要。本文将介绍一种具有创新意义的卷积神经网络——NINNetwork in Network。LeNet、AlexNet和VGG都有一个共同的设计模式通过一系列的卷积层与汇聚层来提取空间结构特征然后通过全连接层对特征的表征进行处理。AlexNet和VGG对LeNet的改进主要在于如何扩大和加深这两个模块。 或者可以想象在这个过程的早期使用全连接层。然而如果使用了全连接层可能会完全放弃表征的空间结构。网络中的网络NiN 提供了一个非常简单的解决方案在每个像素的通道上分别使用多层感知机。1. 网络结构组成NiN块 使用了1×1的卷积层代表全连接层。NIN的核心创新在于引入了“微网络”Network in Network的概念。具体来说每个卷积层后面都跟随着一个1×1卷积核的微型网络用于对特征图进行逐像素的特征变换增加了网络的非线性表达能力。这种设计使得模型能够更深入地挖掘和利用特征信息。与传统的卷积神经网络相比NIN的结构设计更加紧凑能够以较少的参数实现更好的性能。其主要特点如下1×1卷积层的应用通过1×1卷积核对特征图进行逐像素的特征变换增加模型的非线性表达能力。全局平均池化层在最后一层使用全局平均池化层代替全连接层降低参数数量减少过拟合风险提高模型的泛化能力。网络深度的优化NIN通过增加网络的深度来提高模型的特征提取能力同时保持了模型的简洁性。对比 VGG 和 NIN 以及他们的架构的不同2. 代码实现
代码改编自《动手学深度学习》import torch
from torch import nn
from d2l import torch as d2ldef nin_block(in_channels, out_channels, kernel_size, strides, padding):return nn.Sequential(nn.Conv2d(in_channels, out_channels, kernel_size, strides, padding),nn.ReLU(),nn.Conv2d(out_channels, out_channels, kernel_size1), nn.ReLU(),nn.Conv2d(out_channels, out_channels, kernel_size1), nn.ReLU())net nn.Sequential(nin_block(1, 96, kernel_size11, strides4, padding0),nn.MaxPool2d(3, stride2),nin_block(96, 256, kernel_size5, strides1, padding2),nn.MaxPool2d(3, stride2),nin_block(256, 384, kernel_size3, strides1, padding1),nn.MaxPool2d(3, stride2),nn.Dropout(0.5),# 标签类别数是10nin_block(384, 10, kernel_size3, strides1, padding1),nn.AdaptiveAvgPool2d((1, 1)),# 将四维的输出转成二维的输出其形状为(批量大小,10)nn.Flatten())
X torch.rand(size(1, 1, 224, 224))
for layer in net:X layer(X)print(layer.__class__.__name__,output shape:\t, X.shape)输出
Sequential output shape: torch.Size([1, 96, 54, 54])
MaxPool2d output shape: torch.Size([1, 96, 26, 26])
Sequential output shape: torch.Size([1, 256, 26, 26])
MaxPool2d output shape: torch.Size([1, 256, 12, 12])
Sequential output shape: torch.Size([1, 384, 12, 12])
MaxPool2d output shape: torch.Size([1, 384, 5, 5])
Dropout output shape: torch.Size([1, 384, 5, 5])
Sequential output shape: torch.Size([1, 10, 5, 5])
AdaptiveAvgPool2d output shape: torch.Size([1, 10, 1, 1])
Flatten output shape: torch.Size([1, 10])
lr, num_epochs, batch_size 0.1, 10, 128
train_iter, test_iter d2l.load_data_fashion_mnist(batch_size, resize224)
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())输出
loss 0.563, train acc 0.786, test acc 0.790
3087.6 examples/sec on cuda:03. NIN的影响NIN在多个图像分类任务中表现出了显著的性能提升。通过在ImageNet数据集上的实验验证NIN在Top-5错误率上达到了较低的水平证明了其在图像分类任务中的有效性。此外NIN的结构设计使其适用于各种计算机视觉任务包括目标检测和图像分割等。与其他卷积神经网络架构相比NIN在网络结构和性能上具有以下优势更少的参数NIN通过减少全连接层的数量显著降低了模型的参数数量。更高的效率由于参数数量的减少NIN在训练和推理过程中更加高效。更好的泛化能力全局平均池化层的使用提高了模型对新数据的适应能力。NiN 使用由一个卷积层和多个1×1卷积层组成的块。NiN块 可以在卷积神经网络中使用以允许更多的每像素非线性。NiN去除了容易造成过拟合的全连接层将它们替换为全局平均汇聚层即在所有位置上进行求和。该汇聚层通道数量为所需的输出数量例如Fashion-MNIST的输出为10。移除全连接层可减少过拟合同时显著减少NiN的参数。NiN的设计影响了许多后续卷积神经网络的设计。
