• DenseNet学习笔记（核心与resnet进行对比）：

    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
  • 相关阅读:
    【Linux】基础IO —— 缓冲区深度剖析
    秸秆开启黑土地绿色低碳循环经济链 国稻种芯绿色沃土计划
    Windows 进程的创建和终止
    我国首个桌面操作系统开发者平台 openKylin 正式发布
    安全-js的bind方法
    2023备战秋招Java面试八股文合集
    Apache ActiveMQ RCE漏洞复现（CNVD-2023-69477）
    用 Python 开发的 PDF 抽取Excel表格 2.0版
    dotnet 6 使用 string.Create 提升字符串创建和拼接性能
    vue3前端调用后端接口实现批量删除
  • 原文地址：https://blog.csdn.net/weixin_45647721/article/details/125876335