欢迎来到爱乐透双色球走势表_爱乐透手机版苹果下载_爱乐透手机版安卓下载! 联系我们 网站地图

爱乐透双色球走势表_爱乐透手机版苹果下载_爱乐透手机版安卓下载

0379-65557469

项目建议书
全国服务热线
0379-65557469

电话: 0379-65557469
0379-63930906
0379-63900388 
0379-63253525   
传真: 0379-65557469
地址:洛阳市洛龙区开元大道219号2幢1-2522、2501、2502、2503、2504、2505室 

项目建议书
当前位置: 首页 | 咨询案例 > 项目建议书

Pytorch学习记载-深度残留学习ResNet

作者:admin 发布时间:2019-05-14 20:10:15 浏览次数:221
打印 收藏 关闭
字体【
视力保护色

停更3天,日更应战也失利,停留在56天。不过从头开端吧,期望下一个50天能够搞定模型。

在这里运用的是CIFAR-10数据集,根据的论文是《Deep Residual Learning for Image Recognition》,是微软亚洲研究院的何恺明、孙剑等人2015年提出的,它处理了深层网络练习困难的问题。运用这样的结构咱们很简略练习出上百层乃至上千层的网络。它经过在层的仓库之间引进快捷方法连接来作业,答应优化器学习“更简略”的残差映射,而不是更杂乱的原始映射。ResNet在ImageNet测验集上完成了3.57%的错误率。

这一篇其实是论文复现,咱们先从原始论文来看一下ResNet网络。

原始论文解读

根据知乎和简书。

网络变深之后的问题和处理方法

神经网络之前一向不敢做深,由于会呈现梯度爆破和梯度消失的问题,原因在于每次反向传达是逐层对函数偏导相乘,因而当神经网络层数十分深的时分,终究一层发生的误差就由于乘了许多的小于1的数而越来越小,终究就会变为0,然后导致层数比较浅的权重没有更新,这便是梯度消失。而梯度爆破便是由于初始化权值过大,前面层会比后面层改变的更快,就会导致权值越来越大,梯度爆破的现象就发生了。

处理方法是运用BatchNormalization对每一层的输出做归一处理,可是这样又带来准确率下降的问题:

准确率下降问题(degradation problem):层级大到必定程度时准确率就会饱满,然后敏捷下降,这种下降即不是梯度消失引起的也不是overfit形成的,而是由于网络过于杂乱,以至于光靠不加束缚的放养式的练习很难到达抱负的错误率。

为了处理这个问题,何凯明证明只需有抱负的练习方法,更深的网络必定会比较浅的网络作用要好。他提出了残差结构来完成恒等映射。

整个模块除了正常的卷积层输出外,还有一个分支把输入直接连到输出上,该输出和卷积的输出Pytorch学习记载-深度残留学习ResNet做算术相加得到终究的输出,用公式表达便是H(x)=F(x)+x

H(x)=F(x)+x,x是输入,F(x)是卷积分支的输出,H(x)是整个结构的输出。

能够证明假如F(x)分支Pytorch学习记载-深度残留学习ResNet中所有参数都是0,H(x)便是个恒等映射。残差结构人为制作了恒等映射,就能让整个结构朝着恒等映射的方向去收敛,保证终究的错误率不会由于深度的变大而越来越差。假如一个网络经过简略的手艺设置参数值就能到达想要的成果,那这种结构就很简略经过练习来收敛到该成果,这是一条规划杂乱的网络时百试不爽的规矩。回想一下BN中为了在BN处理后康复原有的散布,运用了y=rx+delta公式, 当手动设置r为标准差,delta为均值时,y便是BN处理前的散布,这便是运用了这条规矩。

完成的方法

  • 输入部分为32*32的图画,而且减去了每一个像素的平均值
  • 第一层,3*3的卷积层
  • 6n层堆叠,运用尺度为{32,16,8}的卷积层
  • 每一个特征图尺度为2n
  • 过滤器数量{16,32,64}

模型完成代码

import torch
import torch.nn as nn
import torchvision
import torcPytorch学习记载-深度残留学习ResNethvision.transforms as transforms
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
num_epochs = 80
learning_rate = 0.001
transform = transforms.Compose(
[
transforms.Pad(4),
transforms.RandomHorizontalFlip(),
transforms.RandomCrop(32),
transforms.ToTensor()
]
)
train_dataset = torchvision.datasets.CIFAR10(root='./data/', train=True, transform=transform, download=True)
test_datset = torchvision.datasets.CIFAR10(root='./data/', train=False, transform=transforms.ToTensor())
train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=100, shuffle=True)
test_loader = torch.utils.data.DataLoader(dataset=test_datset, batch_size=100, shuffle=False)
# 3*3卷积
def conv3x3(in_channels, out_channels, stride=1):
return nn.Conv2d(in_channels, out_channels, kernel_size=3, stride=stride, padding=1, bias=False)
class ResidualBlock(nn.Module):
def __init__(self, in_channels, out_channels, stride=1, downsample=None):
super(ResidualBlock, self).__init__()
self.conv1 = conv3x3(in_channels, out_channels, stride)
self.bn1 = nn.BatchNorm2d(out_channels)
self.relu = nnPytorch学习记载-深度残留学习ResNet.ReLU(inplace=True)
self.conv2 = conv3x3(out_channels, out_channels)
self.bn2 = nn.BatchNorm2d(out_channels)
self.downsample = downsample
def forward(self, x):
residual = x
out = self.conv1(x)
out = self.bn1(out)
out = self.relu(out)
out = self.conv2(out)
out = self.bn2(out)
if self.downsample:
residual = self.downsample(x)
out += residual
out = self.relu(out)
return out
# 建立ResNet
class ResNet(nn.Module):
def __init__(self, block, layers, num_classes=10):
super(ResNet, self).__init__()
self.in_channels = 16
self.conv = conv3x3(3, 16)
self.bn = nn.BatchNorm2d(16)
self.relu = nn.ReLU(inplace=True)
self.layer1 = self.make_layer(block, 16, layers[0])
self.layer2 = self.make_layer(block, 32, layers[1], 2)
self.layer3 = self.make_layer(block, 64, layers[1], 2)
self.avg_pool = nn.AvgPool2d(8)
self.fc = nn.Linear(64, num_classes)
def make_layer(self, block, in_channels, out_channels, blocks, stride=1):
downsample = None
if (stride != 1) or (self.in_channels != out_channels):
downsample = nn.Sequential(
conv3x3(self.in_channels, out_channels, stride=stride),
nn.BatchNorm2d(out_channels)
)
layers = []
layers.append(block(self.in_channels, out_channels, stride, downsample))
self.in_channels = out_channels
for i in range(1, blocks):
layers.append(block(out_channels, out_channels))
return nn.Sequential(*layers)
def forward(self, x):
out = self.conv(x)
out = self.bn(out)
out = self.relu(out)
out = self.layer1(out)
out = self.layer2(out)
out = self.layer3(out)
out = self.avg_pool(out)
out = out.view(out.size(0), -1)
out = self.fc(out)
r辛辣填seieturn out
model = ResNet(ResidualBlock, [2, 2, 2]).to(device)
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)
# 更新学习速率
def update_lr(optimizer, lr):
for param_group in optimizer.param_groups:
param_group['lr'] = lr
# 开端练习
total_step = len(train_loader)
curr_lr = learning_rate
for epoch in range(num_epochs):
for i, (images, labels) in enumerate(train_loader):
images = images.to(device)
labels = labels.to(device)
outputs = model(images)
loss = criterion(outputs, labels)
optimizer.zero_grad()
loss.backward()
optimizer.step()
if (i+1) %100==0:
print('Epoch: [{}/{}], Step: [{}/{}], Loss: {:.4f}'.format(epoch+1,num_epochs, i+1,total_step,loss.item()))
model.eval()
with torch.no_grad():
correct=0
total=0
for images, labels in test_loader:
images = images.to(device)
labels = labels.to(device)
outputs=model(images)
_, predicted=torch.max(outputs.data,1)
total_=labels.size(0)
correct+=(predicted==labels).sum().item()
print('Accuracy is :{}%'.format(100*correct/total))
torch.save(model.state_dict(),'resnet.ckpt')

版权所有:洛阳市建设工程咨询有限责任公司 联系人:李经理 电话: 地址:洛阳市洛龙区开元大道219号2幢1-2522、2501、2502、2503、2504、2505室
版权所有 爱乐透双色球走势表 甘ICP备131488668号-6