现代卷积神经网络 合并行连结的网络（GoogLeNet）

合并行连结的网络（GoogLeNet）

在2014年的ImageNet图像识别挑战赛中，一个名为GoogLeNet的网络架构大方异彩。GoogLeNet吸收了NiN中串联网络的思想，并在此基础上做了改进。这篇论文的一个重点是解决了什么样大小的卷积核最适合的问题。毕竟，以前流行的网络使用1 * 1，大到11 * 11的卷积核。本文的一个观点是：

• 有时使用不同大小的卷积核组合是有利的

在本节中，我们省略了一些为稳定训练而添加的特殊特性，现在有了更好的训练方法，这些特性不是必要的

1 - Inception块

在GoogLeNet中，基本的卷积块被称为Inception块（Inception block）。这很可能得名于电影《盗梦空间》《Inception》，因为电影中的一句话：我们需要走得更深（We need to go deeper）

如图7.4.1所示，Inception块由四条并行路径组成。前三条路径使用窗口大小为 1 * 1、3 * 3和5 * 5的卷积层，从不同空间大小提取信息。中间的两条路径在输入上执行1 * 1卷积，以减少通道数，从而降低模型的复杂性。第四条路径使用3 * 3最大汇聚层，然后使用1 * 1卷积层来改变通道数。这四条路径都使用合适的填充来使输入与输出的高和宽一致，最后我们将每条线路的输出在通道维度上连结，并构成Inception块输出。在Inception块中，通常调整的超参数是每层输出通道数

import torch
from torch import nn
from torch.nn import functional as F
from d2l import torch as d2l

class Inception(nn.Module):
    # c1 -- c4 是每条路径的输出通道数
    def __init__(self,in_channels,c1,c2,c3,c4,**kwargs):
        super(Inception,self).__init__(**kwargs)
        # 线路1，单1 * 1卷积层
        self.p1_1 = nn.Conv2d(in_channels,c1,kernel_size=1)
        # 线路2，1 * 1卷积层后接3 * 3卷积层
        self.p2_1 = nn.Conv2d(in_channels,c2[0],kernel_size=1)
        self.p2_2 = nn.Conv2d(c2[0],c2[1],kernel_size=3,padding=1)
        # 线路3，1 * 1卷积层后接5 * 5卷积层
        self.p3_1 = nn.Conv2d(in_channels,c3[0],kernel_size=1)
        self.p3_2 = nn.Conv2d(c3[0],c3[1],kernel_size=5,padding=2)
        # 线路4，3 * 3最大汇聚层后接1 * 1卷积层
        self.p4_1 = nn.MaxPool2d(kernel_size=3,stride=1,padding=1)
        self.p4_2 = nn.Conv2d(in_channels,c4,kernel_size=1)
        
    def forward(self,x):
        p1 = F.relu(self.p1_1(x))
        p2 = F.relu(self.p2_2(F.relu(self.p2_1(x))))
        p3 = F.relu(self.p3_2(F.relu(self.p3_1(x))))
        p4 = F.relu(self.p4_2(self.p4_1(x)))
        # 在通道维度上连结输出
        return torch.cat((p1,p2,p3,p4),dim=1)

为什么GoogLeNet这个网络如此有效?我们首先考虑一下滤波器（filter）的组合，它们可以用各种滤波器尺寸探索图像，这意味着不同大小的滤波器可以有效地识别不太范围的图像细节。同时，我们可以为不同的滤波器分配不同数量的参数

2 - GoogLeNet模型

如图7.4.2所示，GoogLeNet一共使用9个Inception块和全局平均汇聚层的堆叠来生成其估计值，Inception块之间的最大汇聚层可以降低维度。第一个模块类似于AlexNet和LeNet，Inception块的组合从VGG继承，全局平均汇聚层避免了在最后使用全连接层

现在，我们逐一实现GoogLeNet的每个模块。第一个模块使用64个通道、7 * 7卷积层

b1 = nn.Sequential(nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3),
                    nn.ReLU(),
                    nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

第二个模型使用两个卷积层：第一个卷积层是64个通道、1 * 1卷积层；第二个卷积层使用将通道数量增加三倍的3 * 3卷积层，这对应于Inception块中的第二条路径

b2 = nn.Sequential(nn.Conv2d(64, 64, kernel_size=1),
                    nn.ReLU(),
                    nn.Conv2d(64, 192, kernel_size=3, padding=1),
                    nn.ReLU(),
                    nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

第三个模型串联两个完整的Inception块

• 第一个Inception块的输出通道数为64 + 128 + 32 + 32 = 256，四个路径之间的输出通道数量比为64：128：32：32 = 2：4：1：1。第二个和第三个路径首先将输入通道的数量分别减少到96/196 = 1/2，16/192=1/12，然后连接第二个卷积层
• 第二个Inception块的输出通道数量增加到128 + 192 + 96 + 64 = 480，四个路径之间的输出通道数量比为128 : 192 : 96 : 64 = 4 : 6 : 3 : 2。第二条和第三条路径首先将输入通道的数量分贝减少到128/256=1/2和32/256=1/8

b3 = nn.Sequential(Inception(192, 64, (96, 128), (16, 32), 32),
                    Inception(256, 128, (128, 192), (32, 96), 64),
                    nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

第四模块，它串联了5个Inception块，其输出通道数分别是192 + 208 + 48 + 64 = 512、160 + 224 + 64 + 64 = 528和256 + 320 + 128 + 128 = 832

这些路径的通道数分配和第三模块中的类似，首先是3 * 3卷积层的第二条路径输出最多通道，其次是仅含1 * 1卷积层的第一条路径，之后是含5 * 5卷积层的第三条路径和含3 * 3最大汇聚层的第四条路径。其中是第二、第三条路径都会先按比例减小通道数，这些比例在Inception块中都略有不同

b4 = nn.Sequential(Inception(480, 192, (96, 208), (16, 48), 64),
                    Inception(512, 160, (112, 224), (24, 64), 64),
                    Inception(512, 128, (128, 256), (24, 64), 64),
                    Inception(512, 112, (144, 288), (32, 64), 64),
                    Inception(528, 256, (160, 320), (32, 128), 128),
                    nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

第五模块包含输出通道数为256 + 320 + 128 + 128 = 832和384 + 384 + 128 + 128 = 1024的两个Inception块

其中每条路径通道数的分配思路和第三、第四模块中的一致，只是在具体数据上有所不同，需要注意的是，第五模块的后面紧跟输出层，该模块同NiN一样使用全局平均汇聚层，将每个通道的高和宽变成1，最后我们将输出变成二维数组，再接上一个输出个数为标签类别数的全连接层

b5 = nn.Sequential(Inception(832, 256, (160, 320), (32, 128), 128),
                Inception(832, 384, (192, 384), (48, 128), 128),
                nn.AdaptiveAvgPool2d((1,1)),
                nn.Flatten())

net = nn.Sequential(b1, b2, b3, b4, b5, nn.Linear(1024, 10))

GoogLeNet模型的计算复杂，而且不如VGG那样便于修改通道数。为了使Fashion-MNIST上的训练短小精悍，我们将输入的高和宽从224降到96，这简化了计算，下面演示各个模块输出的形状变化

X = torch.rand(size=(1,1,96,96))
for layer in net:
    X = layer(X)
    print(layer.__class__.__name__,'output shape:\t',X.shape)

Sequential output shape:	 torch.Size([1, 64, 24, 24])
Sequential output shape:	 torch.Size([1, 192, 12, 12])
Sequential output shape:	 torch.Size([1, 480, 6, 6])
Sequential output shape:	 torch.Size([1, 832, 3, 3])
Sequential output shape:	 torch.Size([1, 1024])
Linear output shape:	 torch.Size([1, 10])

3 - 训练模型

和以前一样，我们使用Fashion-MNIST数据集来训练我们的模型，在训练之前，我们将图片转换为96 * 96分辨率

lr,num_epochs,batch_size = 0.1,10,128
train_iter,test_iter = d2l.load_data_fashion_mnist(batch_size,resize=96)
d2l.train_ch6(net,train_iter,test_iter,num_epochs,lr,d2l.try_gpu())

loss 0.322, train acc 0.878, test acc 0.863
1533.4 examples/sec on cuda:0

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-4Ot7k3tY-1663681649909)(https://yingziimage.oss-cn-beijing.aliyuncs.com/img/202209202140400.svg)]

4 - 小结

• Inception块相当于一个有4条路径的子网络。它通过不同窗口形状的卷积层和最大汇聚层并行抽取信息，并使用1 * 1卷积层减少每像素级别上的通道维数从而降低模型复杂度
• GoogLeNet将多个设计精细的Incpetion块与其他层（卷积层、全连接层）串联起来。 其中Inception块的通道数分配之比是在ImageNet数据集上通过大量的实验得来的
• GoogLeNet和它的后继者们一度是ImageNet上最有效的模型之一：它以较低的计算复杂度提供了类似的测试精度