网站制作上哪学校,杭州响应式网站建设,网站的积分系统怎么做的,轻量级服务器wordpress密钥错误率前五的神经网络#xff08;图-1#xff09;#xff1a; 图-1 可以很直观的看到#xff0c;随着层数的增加Error也在逐渐降低#xff0c;因此深度是非常重要的#xff0c;但是学习更好的网络模型和堆叠层数一样简单吗#xff1f;通过实现表明#xff08;图-2…错误率前五的神经网络图-1 图-1 可以很直观的看到随着层数的增加Error也在逐渐降低因此深度是非常重要的但是学习更好的网络模型和堆叠层数一样简单吗通过实现表明图-2并不是如此会出现梯度消失和梯度爆炸的现象甚至比堆叠之前的训练效果更差这种现象被称为梯度退化。 图-2 如何保证梯度不退化即随着堆叠层数的增加训练模型不会比堆叠之前还要差深度残差网络Deep Residual LearningResNet的提出很好的解决了这一问题并且不仅没有增加额外的参数也没有增加计算的复杂度。
ResNet在普通网络的基础上插入了短路shortcut connection图-3将这个网络变成了ResNet。 图-3 以上的叙述知识思想层面的将思想转化为实操离不开背后的数学原理图-4。 图-4 我们将最后的输出设置为 H(x) 我们将堆叠的非线性层去拟合F(x) H(x) - x 原来的映射就变成了F(x) x F(x)必须和x的维度相同如果不相同可是使用1*1卷积或者增加padding。相当于我们在一些非线性对叠层之间插入了一个短路shortcut connection如果堆叠之后的模型的训练Error比之前还要差就会直接走短路通道如果堆叠之后的模型比之前好了就进行堆叠至于在几个堆叠层之间插入一个短路这取决于训练的参数。
使用ResNet模型并不需要建立新的求解器我们可以直接使用公共库代码演示如下
class ResBlk(nn.Module):resnet blockdef __init__(self, ch_in, ch_out)::param ch_in::param ch_out:super(ResBlk, self).__init__()self.conv1 nn.Conv2d(ch_in, ch_out, kernel_size3, stride1, padding1)self.bn1 nn.BatchNorm2d(ch_out)self.conv2 nn.Conv2d(ch_out, ch_out, kernel_size3, stride1, padding1)self.bn2 nn.BatchNorm2d(ch_out)#如果shortcut的输入和输出层的channel不一样可以用一个1*1的卷积让他们变成一样self.extra nn.Sequential()if ch_out ! ch_in:# [b, ch_in, h, w] [b, ch_out, h, w]self.extra nn.Sequential(nn.Conv2d(ch_in, ch_out, kernel_size1, stride1),nn.BatchNorm2d(ch_out))def forward(self, x)::param x: [b, ch, h, w]:return:out F.relu(self.bn1(self.conv1(x))) #激活函数也可以在上面的网络(第25行)写nn.ReLUout self.bn2(self.conv2(out))# short cut.# extra module: [b, ch_in, h, w] [b, ch_out, h, w]# element-wise add:out self.extra(x) outreturn out
这个代码来自于课时72 ResNet与DenseNet-2_哔哩哔哩_bilibili
中间关于这个思想的解释来自于我自己对Deep Residual Learning for Image Recognition 论文的理解如果有什么问题欢迎各位大佬指正我将会感激不尽。
