餐饮业网站建设招标书,wordpress cm,wordpress标签id在哪里,长沙企业网站建设优度目录
1.GoogLeNet
2.代码 1.GoogLeNet inception不改变高宽#xff0c;只改变通道数。GoogLeNet也大量使用1*1卷积#xff0c;把它当作全连接用。 V3耗内存比较多#xff0c;计算比较慢#xff0c;但是精度比较准确。 2.代码
import torch
from torch import nn
from t…目录
1.GoogLeNet
2.代码 1.GoogLeNet inception不改变高宽只改变通道数。GoogLeNet也大量使用1*1卷积把它当作全连接用。 V3耗内存比较多计算比较慢但是精度比较准确。 2.代码
import torch
from torch import nn
from torch.nn import functional as F
from d2l import torch as d2linceeption 块
class Unception(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1x1卷积层self.p1_1nn.Conv2d(in_channels,c1,kernel_size1)# 线路21x1卷积层后接3x3卷积层self.p2_1nn.Conv2d(in_channels,c2[0],kernel_size1)self.p2_2nn.Conv2d(c2[0],c2[1],kernel_size3,padding1)# 线路31x1卷积层后接5x5卷积层self.p3_1nn.Conv2d(in_channels,c3[0],kernel_size1)self.p2_1nn.Conv2d(c3[0],c3[1],kernel_size5,padding2)# 线路43x3最大汇聚层后接1x1卷积层self.p4_1nn.MaxPool2d(kernel_size3,stride1,padding1)self.p4_2nn.Conv2d(in_channels,c4,kernel_size1)def forward(self,x):p1F.relu(self.p1_1(x))p2F.relu(self.p2_2(F.relu(self.p2_1(x))))p3F.relu(self.p3_2(F.relu(self.p3_1(x))))p4F.relu(self.p4_2(self.p4_1(x)))return torch.cat((p1,p2,p3,p4),dim1)#批量大小的维度是0通道数的维度是1所以在输出通道的维度上叠加起来。#为什么GoogLeNet这个网络如此有效呢 首先我们考虑一下滤波器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同范围的图像细节。 同时
#我们可以为不同的滤波器分配不同数量的参数。GoogLeNet模型
#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。
b1nn.Sequential(nn.Conv2d(1,64,kernel_size7,stride2,padding3),#图片大小减半nn.ReLU(),nn.MaxPool2d(kernel_size3,stride2,padding1))#图片大小减半#第二个模块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。
b2nn.Sequential(nn.Conv2d(64,64,kernel_size1),nn.ReLU(),nn.Conv2d(64,192,kernel_size3,padding1)nn.ReLU(),nn.MaxPool2d(kernel_size3,stride2,padding1))#第三个模块串联两个完整的Inception块。
b3 nn.Sequential(Inception(192, 64, (96, 128), (16, 32), 32),Inception(256, 128, (128, 192), (32, 96), 64),nn.MaxPool2d(kernel_size3, stride2, padding1))#第四模块更加复杂 它串联了5个Inception块
b4 nn.Sequential(Inception(480, 192, (96, 208), (16, 48), 64),#输入的大小为第3模块最后输出的4条道路的通道数加起来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_size3, stride2, padding1))#第五模块包含两个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
#只是在具体数值上有所不同。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)
结果输出
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]) 训练模型
#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, resize96)
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())
结果输出
loss 0.262, train acc 0.900, test acc 0.886
3265.5 examples/sec on cuda:0 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来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Inception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。
