DenseNet的基本思想

之前的文章介绍过残差网络的基本思想：残差网络的思想就是将网络学习的映射从X到Y转为学习从X到Y-X的差，然后把学习到的残差信息加到原来的输出上即可。即便在某些极端情况下，这个残差为0，那么网络就是一个X到Y的恒等映射。其示意图如下：

后来，就有学者想到，既然输入一个残差块的X和该残差块的输出 可以相加，那么为什么不能一起作为特征继续向后传递呢？所以，就有了DenseNet的基本思想，其示意图如下：

也就是说在网络前向传播的过程中，不仅每一层提取的特征图用做后面一层的输入，其自身也会被当做特征图输入到后面的网络中，比如上图中：

• 经过卷积层后得到了 ，然后 和 都会被当做 的输入*，以此类推，进行前向传播。

这样子做的好处有：

• 缓解了梯度消失问题；
• 增强了特征在网络中的传播能力；
• 特征重用；
• 减少参数的数量。

具体的实现，我们来看下Pytroch的源码：

DenseLayer

class _DenseLayer(nn.Module):
    def __init__(
        self, num_input_features: int, growth_rate: int, bn_size: int, drop_rate: float, memory_efficient: bool = False
    ) -> None:
        super().__init__()
        self.norm1: nn.BatchNorm2d
        self.add_module("norm1", nn.BatchNorm2d(num_input_features))
        self.relu1: nn.ReLU
        self.add_module("relu1", nn.ReLU(inplace=True))
        self.conv1: nn.Conv2d
        self.add_module(
            "conv1", nn.Conv2d(num_input_features, bn_size * growth_rate, kernel_size=1, stride=1, bias=False)
        )
        self.norm2: nn.BatchNorm2d
        self.add_module("norm2", nn.BatchNorm2d(bn_size * growth_rate))
        self.relu2: nn.ReLU
        self.add_module("relu2", nn.ReLU(inplace=True))
        self.conv2: nn.Conv2d
        self.add_module(
            "conv2", nn.Conv2d(bn_size * growth_rate, growth_rate, kernel_size=3, stride=1, padding=1, bias=False)
        )
        self.drop_rate = float(drop_rate)
        self.memory_efficient = memory_efficient

    def bn_function(self, inputs: List[Tensor]) -> Tensor:
        concated_features = torch.cat(inputs, 1)
        bottleneck_output = self.conv1(self.relu1(self.norm1(concated_features)))  # noqa: T484
        return bottleneck_output

    # todo: rewrite when torchscript supports any
    def any_requires_grad(self, input: List[Tensor]) -> bool:
        for tensor in input:
            if tensor.requires_grad:
                return True
        return False

    @torch.jit.unused  # noqa: T484
    def call_checkpoint_bottleneck(self, input: List[Tensor]) -> Tensor:
        def closure(*inputs):
            return self.bn_function(inputs)

        return cp.checkpoint(closure, *input)

    @torch.jit._overload_method  # noqa: F811
    def forward(self, input: List[Tensor]) -> Tensor:  # noqa: F811
        pass

    @torch.jit._overload_method  # noqa: F811
    def forward(self, input: Tensor) -> Tensor:  # noqa: F811
        pass

    # torchscript does not yet support *args, so we overload method
    # allowing it to take either a List[Tensor] or single Tensor
    def forward(self, input: Tensor) -> Tensor:  # noqa: F811
        if isinstance(input, Tensor):
            prev_features = [input]
        else:
            prev_features = input

        if self.memory_efficient and self.any_requires_grad(prev_features):
            if torch.jit.is_scripting():
                raise Exception("Memory Efficient not supported in JIT")

            bottleneck_output = self.call_checkpoint_bottleneck(prev_features)
        else:
            bottleneck_output = self.bn_function(prev_features)

        new_features = self.conv2(self.relu2(self.norm2(bottleneck_output)))
        if self.drop_rate > 0:
            new_features = F.dropout(new_features, p=self.drop_rate, training=self.training)
        return new_features
1

DenseNet的主要构成是DenseBlock，而DenseBlock的基本构成就是DenseLayer（上面的源码），上面的代码中有一些是pytorch的高级用法，暂不展开讲（主要是比较菜），其主要的函数就是其中的bn_function。

DenseBlock

有了DenseLayer，我们看下DenseBlock：

class _DenseBlock(nn.ModuleDict):
    _version = 2

    def __init__(
        self,
        num_layers: int,
        num_input_features: int,
        bn_size: int,
        growth_rate: int,
        drop_rate: float,
        memory_efficient: bool = False,
    ) -> None:
        super().__init__()
        for i in range(num_layers):
            layer = _DenseLayer(
                num_input_features + i * growth_rate,
                growth_rate=growth_rate,
                bn_size=bn_size,
                drop_rate=drop_rate,
                memory_efficient=memory_efficient,
            )
            self.add_module("denselayer%d" % (i + 1), layer)

    def forward(self, init_features: Tensor) -> Tensor:
        features = [init_features]
        for name, layer in self.items():
            new_features = layer(features)
            features.append(new_features)
        return torch.cat(features, 1)
1

代码其实也比较简单，就是初始化的时候就直接生成相应数量的DenseLayer，然后进行前向传播，整个DenseNet实现的关键点就是这个前向传播函数，注意几点：

• 其features是一个list；
• 再通过for循环，不断的对这个list添加元素（append函数）；
• 最后DenseBlock的返回值是将list中的所有元素在维度1（channel维度）进行拼接。

然后就可以用上面的DenseBlock进行组合，搭积木式的构建自己的DenseNet网络了，比如DenseNet121、DenseNet169等等。

Transition

为了减少参数量，DenseNet中还有Transition这个子模块，其代码如下：

class _Transition(nn.Sequential):
    def __init__(self, num_input_features: int, num_output_features: int) -> None:
        super().__init__()
        self.add_module("norm", nn.BatchNorm2d(num_input_features))
        self.add_module("relu", nn.ReLU(inplace=True))
        self.add_module("conv", nn.Conv2d(num_input_features, num_output_features, kernel_size=1, stride=1, bias=False))
        self.add_module("pool", nn.AvgPool2d(kernel_size=2, stride=2))
1

其作用一般是用来压缩通道数。

总结与思考

1. DenseNet和ResNet的主要区别？
2. 为什么DenseLayer中的bn_function的构成是norm》relu》conv的顺序？一般不都是conv》norm》relu？（有点迷，下次做实验）

进阶知识点

1. add_module
2. torch.jit

参考

【1】HE K, ZHANG X, REN S, et al. Deep Residual Learning for Image Recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).2016:770-778. 10.1109/CVPR.2016.90.
【2】HUANG G, LIU Z, VAN DER MAATEN L, et al. Densely connected convolutional networks[C]//Proceedings of the IEEE conference on computer vision and pattern recognition.2017:4700-4708.
【3】Pytorch官方源码