DenseNet

DenseNet

还是想主要解决梯度消失的问题，虽然这个问题在之前的模型中，例如resnet给出了解决办法。之前的模型都有一个共同的特点：都在新层和旧层之间创造了捷径。Densenet沿用了这种方法，选择将所有的层都链接在一起，保证最大信息在层与层之间进行流动。

与ResNet不同的是，densenet 并没有将特征进行相加得到新的特征，而是将每一层传进来的特征进行拼接操作。

所以第L层将会有L个inputs，包含着前面所有卷积块的特征图。

• 需要更少的参数，不用去学习冗余的特征图 feature-map
• 每一层都和最初的input有通道连接，又和最终的loss函数直接连接，这会有助于模型的训练。
• 还有一定的规范化的作用，能够克制在小型数据集上的过拟合。
• 说起拼接这一点，和inception，goodlenet有点像，但是比他们更加的高效。

Composite function:复合函数

$x_l=H_l([x_0,x_1,..,x_{l-1}])$xl​=Hl​([x0​,x1​,..,xl−1​]) , 第l层的输出就是将前l-1层的输出拼接起来再经过一个符合函数H得到的，这个函数包括：

1. BN：batch normalization
2. ReLU
3. 3×3的Conv

Dense Block-transition layers

这个就是Densenet的关键核心所在，之前所说的东西基本上都是说的这个，每两个Dense Block之间夹着一个trastion layers

主要用来做卷积和池化操作，在他们的实验中使用的是1×1的Conv 接上一个2×2的pooling。

Growth rate

这个参数感觉就是来限定每一层，使用多少个filter差不多。如果每一层都产生一个通道数为K的输出，那么到了第L层输出的总通道数就是 $k_0+k×(l-1)$k0​+k×(l−1)个通道数。$k_0$k0​是开始时输入的图像的通道数。k=12的时候的结果就很好了。k其实决定了每一层贡献出多少的信息给全局的状态。

Architecture for ImageNet

bottle neck layer

再dense block 内部的3×3卷积之前，加入一个1×1的卷积bottle neck 从而去减少featuremap的数量，能够有效的提高计算的效率。所以，block内部的的情况就是 BN-RELU-CONV1×1-BN-RELU-CONV3×3.

Compression

上面已经讲过了，在 Dense Block 之间加入的是Transition Layer，为了改善网络的运行效率，从一个Dense Block 出来之后，通过Transition Layer 对feature-map进行压缩，如果前一个block出来的有m个featuremap，经过transition后，它只会有$\theta m$θm取整个featuremap 流出。当$\theta=1$θ=1时，是保持不变的。在本文的实验中，他们设置为0.5

Implementation Details

Except ImageNet，在其他数据集上都是用的三个block，在进入第一个block之前，图像会被16个通道数卷积所处理。

对于3×3的kernel，都使用一个0填充去保证大小的一致

训练集50000，测试集10000，验证集50000.

data augmentation scheme:shif,mirror

preprocess: channel mean and standard deviation , normalize

框架简单代码-pytorch

class DenseBlock(nn.Module):
    def __init__(self, num_convs, in_channels, out_channels):
        super(DenseBlock, self).__init__()
        net = []
        for i in range(num_convs):
            in_c = in_channels + i * out_channels
            net.append(conv_block(in_c, out_channels))
        self.net = nn.ModuleList(net)
        self.out_channels = in_channels + num_convs * out_channels # 计算输出通道数

    def forward(self, X):
        for blk in self.net:
            Y = blk(X)
            X = torch.cat((X, Y), dim=1)  # 在通道维上将输入和输出连结
        return X
def transition_block(in_channels, out_channels):
    blk = nn.Sequential(
            nn.BatchNorm2d(in_channels), 
            nn.ReLU(),
            nn.Conv2d(in_channels, out_channels, kernel_size=1),
            nn.AvgPool2d(kernel_size=2, stride=2))
    return blk
    
num_channels, growth_rate = 64, 32  # num_channels为当前的通道数
num_convs_in_dense_blocks = [4, 4, 4, 4]

for i, num_convs in enumerate(num_convs_in_dense_blocks):
    DB = DenseBlock(num_convs, num_channels, growth_rate)
    net.add_module("DenseBlosk_%d" % i, DB)
    # 上一个稠密块的输出通道数
    num_channels = DB.out_channels
    # 在稠密块之间加入通道数减半的过渡层
    if i != len(num_convs_in_dense_blocks) - 1:
        net.add_module("transition_block_%d" % i, transition_block(num_channels, num_channels // 2))
        num_channels = num_channels // 2
        
        
net.add_module("BN", nn.BatchNorm2d(num_channels))
net.add_module("relu", nn.ReLU())
net.add_module("global_avg_pool", d2l.GlobalAvgPool2d()) # GlobalAvgPool2d的输出: (Batch, num_channels, 1, 1)
net.add_module("fc", nn.Sequential(d2l.FlattenLayer(), nn.Linear(num_channels, 10)))

m_channels, 1, 1)
net.add_module(“fc”, nn.Sequential(d2l.FlattenLayer(), nn.Linear(num_channels, 10)))