当前位置：网站首页>DenseNet学习笔记（核心与resnet进行对比）：

DenseNet学习笔记（核心与resnet进行对比）：

2022-07-20 03:12:00 【Wsyoneself】

  1. 概述：比resnet更优的cnn模型
  2. resnet:
    1. resnet可以训练出更深的cnn模型，实现更高的准确度，resnet模型的核心是通过建立前面层和后面层之间的“短路连接”，有助于训练过程中的反向传播，从而能训练出更深的cnn网络（可能主要是解决梯度消失问题）。
    2. resnet是每个层与前面的某层（一般还是2-3层）短路连接在一起，连接方式是通过元素级相加。
  3. densenet：
    1. 特色：在channel上的连接来实现特征重用。让densenet在参数和计算成本更少的情形下实现比resnet更优的性能。
    2. 连接机制：互相连接所有层，即每个层都接受其前面所有层作为其额外的输入。
    3. densenet中每个层和前面所有层在channel维度上连接，并且作为下一层的输入。
    4. densenet直接连接来自不同层的特征图，可以实现特征重用，提升效率
    5. cnn网络一般要经过pooling 或stride>1的卷积来降低特征图的大小，而densenet的密集连接方式需要特征图大小保持一致。所以densenet网络中使用denseblock+transition结构
      1. denseblock：
        1. 包含很多层的模块，每个层的特征图大小相同。层与层之间采用密集连接方式。denseblock中的非线性组合函数H（·）采用的是BN+Relu+3x3conv的结构。
        2. 所有denseblock中各个层卷积之后均输出k个特征图，即得到的特征图的channel数为k，或者说采用k个卷积核，k是一个超参数。一般情况下，使用较小的k（比如12）,就可以得到较佳的性能。
        3. 由于后面层的输入会非常大，denseblock内部可以采用bottleneck层来减少计算量。具体实现：在原有结构中增加1X1conv
      2. transition模块：
        1. 是连接两个相邻的denseblock，并通过pooiling使特征图大小降低。
        2. 主要是连接两个相邻的denseblock，并降低特征图大小。包括一个1X1的卷积和2X2的平均池化。结构为BN+Relu+1X1conv+2X2 avgpooling，transition层可以起到压缩模型的作用。
    6. densenet比resnet更优的本质：resnet是以sum方式合并特征，这样就不能反推出原来的输入特征，而concat可以，所以concat方式在保持特征或还原特征方面有优势。
  4. densenet缺点：很占用显存
  5. 一个训练过程中的一个小tip：特征提取都是nan：nan是梯度暴涨或梯度消失，可以增大batch_size
原网站

版权声明
本文为[Wsyoneself]所创，转载请带上原文链接，感谢
https://blog.csdn.net/weixin_45647721/article/details/125876335

边栏推荐

猜你喜欢

随机推荐