Pytorch實(shí)現(xiàn)GoogLeNet解決各類數(shù)據(jù)集(cifar10/mnist/imagenet)分類

有一段時(shí)間沒(méi)有更新了刨疼,這次我給大家?guī)?lái)的是大名鼎鼎的GoogleNet模型井氢。也可以稱為Inception v3模型。參考了源代碼毕骡,寫出了可讀性與性能更優(yōu)的模型,在模型上有些許微調(diào)岩瘦,輸入的圖片大小是224 x 224 x 3.!!! 圖片大小可以任意調(diào)節(jié)未巫,甚至用來(lái)訓(xùn)練CIFAR10也可以。本文先放出代碼启昧。

完整代碼點(diǎn)這里
)

import torch
from torch import nn

NUM_CLASSES = 10


class BasicConv2d(nn.Module):
    def __init__(self, in_channels, out_channels, **kwargs):
        super(BasicConv2d, self).__init__()
        self.conv = nn.Conv2d(in_channels, out_channels, bias=False, **kwargs)
        self.bn = nn.BatchNorm2d(out_channels, eps=0.001)
        self.relu = nn.ReLU(inplace=True)

    def forward(self, x):
        x = self.conv(x)
        x = self.bn(x)
        x = self.relu(x)
        return x


class Inception(nn.Module):
    def __init__(self, in_channel, n1_1, n3x3red, n3x3, n5x5red, n5x5, pool_plane):
        super(Inception, self).__init__()
        # first line
        self.branch1x1 = BasicConv2d(in_channel, n1_1, kernel_size=1)

        # second line
        self.branch3x3 = nn.Sequential(
            BasicConv2d(in_channel, n3x3red, kernel_size=1),
            BasicConv2d(n3x3red, n3x3, kernel_size=3, padding=1)
        )

        # third line
        self.branch5x5 = nn.Sequential(
            BasicConv2d(in_channel, n5x5red, kernel_size=1),
            BasicConv2d(n5x5red, n5x5, kernel_size=5, padding=2)
        )

        # fourth line
        self.branch_pool = nn.Sequential(
            nn.MaxPool2d(3, stride=1, padding=1),
            BasicConv2d(in_channel, pool_plane, kernel_size=1)
        )

    def forward(self, x):
        y1 = self.branch1x1(x)
        y2 = self.branch3x3(x)
        y3 = self.branch5x5(x)
        y4 = self.branch_pool(x)
        output = torch.cat([y1, y2, y3, y4], 1)
        return output


class GoogLeNet(nn.Module):
    def __init__(self, num_classes=NUM_CLASSES):
        super(GoogLeNet, self).__init__()

        self.conv1 = BasicConv2d(3, 64, kernel_size=7, stride=2, padding=3)

        self.max_pool1 = nn.MaxPool2d(3, stride=2)

        self.conv2 = BasicConv2d(64, 192, kernel_size=3, stride=1, padding=1)

        self.max_pool2 = nn.MaxPool2d(3, stride=2)

        self.a3 = Inception(192, 64, 96, 128, 16, 32, 32)
        self.b3 = Inception(256, 128, 128, 192, 32, 96, 64)

        self.max_pool3 = nn.MaxPool2d(3, stride=2)

        self.a4 = Inception(480, 192, 96, 208, 16, 48, 64)
        self.b4 = Inception(512, 160, 112, 224, 24, 64, 64)
        self.c4 = Inception(512, 128, 128, 256, 24, 64, 64)
        self.d4 = Inception(512, 112, 144, 288, 32, 64, 64)
        self.e4 = Inception(528, 256, 160, 320, 32, 128, 128)

        self.max_pool4 = nn.MaxPool2d(3, stride=2)

        self.a5 = Inception(832, 256, 160, 320, 32, 128, 128)
        self.b5 = Inception(832, 384, 192, 384, 48, 128, 128)

        self.avg_pool = nn.AvgPool2d(7)

        self.dropout = nn.Dropout(0.4)

        self.classifier = nn.Linear(1024, num_classes)

    def forward(self, x):
        x = self.conv1(x)
        x = self.max_pool1(x)
        x = self.conv2(x)
        x = self.max_pool2(x)
        x = self.a3(x)
        x = self.b3(x)
        x = self.max_pool3(x)
        x = self.a4(x)
        x = self.b4(x)
        x = self.c4(x)
        x = self.d4(x)
        x = self.e4(x)
        x = self.max_pool4(x)
        x = self.a5(x)
        x = self.b5(x)
        x = self.avg_pool(x)
        x = self.dropout(x)
        x = x.view(x.size(0), -1)
        x = self.classifier(x)
        return x

讀者可以參照以下模型來(lái)進(jìn)行研究

GoogLeNet

上圖為GoogLeNet的網(wǎng)絡(luò)框圖細(xì)節(jié)叙凡,其中“#3x3 reduce”,“#5x5 reduce”代表在3x3密末,5x5卷積操作之前使用1x1卷積的數(shù)量握爷。輸入圖像為224x224x3跛璧,且都進(jìn)行了零均值化的預(yù)處理操作,所有降維層也都是用了ReLU非線性激活函數(shù)新啼。

Inception Net

如上圖用到了輔助分類器追城,Inception?Net有22層深,除了最后一層的輸出燥撞,其中間節(jié)點(diǎn)的分類效果也很好漓柑。因此在Inception?Net中,還使用到了輔助分類節(jié)點(diǎn)(auxiliary?classifiers)叨吮,即將中間某一層的輸出用作分類辆布,并按一個(gè)較小的權(quán)重(0.3)加到最終分類結(jié)果中。這樣相當(dāng)于做了模型融合茶鉴,同時(shí)給網(wǎng)絡(luò)增加了反向傳播的梯度信號(hào)锋玲,也提供了額外的正則化,對(duì)于整個(gè)Inception?Net的訓(xùn)練很有裨益涵叮。

image

文章引用于 GoogLeNet 論文解讀
編輯 Lornatang
校準(zhǔn) Lornatang

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末惭蹂,一起剝皮案震驚了整個(gè)濱河市,隨后出現(xiàn)的幾起案子割粮,更是在濱河造成了極大的恐慌盾碗,老刑警劉巖,帶你破解...
    沈念sama閱讀 211,561評(píng)論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件舀瓢,死亡現(xiàn)場(chǎng)離奇詭異廷雅,居然都是意外死亡,警方通過(guò)查閱死者的電腦和手機(jī)京髓,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,218評(píng)論 3 385
  • 文/潘曉璐 我一進(jìn)店門航缀,熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái),“玉大人堰怨,你說(shuō)我怎么就攤上這事芥玉。” “怎么了备图?”我有些...
    開(kāi)封第一講書人閱讀 157,162評(píng)論 0 348
  • 文/不壞的土叔 我叫張陵灿巧,是天一觀的道長(zhǎng)。 經(jīng)常有香客問(wèn)我揽涮,道長(zhǎng)抠藕,這世上最難降的妖魔是什么? 我笑而不...
    開(kāi)封第一講書人閱讀 56,470評(píng)論 1 283
  • 正文 為了忘掉前任绞吁,我火速辦了婚禮幢痘,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘家破。我一直安慰自己颜说,他們只是感情好购岗,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,550評(píng)論 6 385
  • 文/花漫 我一把揭開(kāi)白布。 她就那樣靜靜地躺著门粪,像睡著了一般喊积。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上玄妈,一...
    開(kāi)封第一講書人閱讀 49,806評(píng)論 1 290
  • 那天乾吻,我揣著相機(jī)與錄音,去河邊找鬼拟蜻。 笑死绎签,一個(gè)胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的酝锅。 我是一名探鬼主播诡必,決...
    沈念sama閱讀 38,951評(píng)論 3 407
  • 文/蒼蘭香墨 我猛地睜開(kāi)眼,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼搔扁!你這毒婦竟也來(lái)了爸舒?” 一聲冷哼從身側(cè)響起,我...
    開(kāi)封第一講書人閱讀 37,712評(píng)論 0 266
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤稿蹲,失蹤者是張志新(化名)和其女友劉穎扭勉,沒(méi)想到半個(gè)月后,有當(dāng)?shù)厝嗽跇?shù)林里發(fā)現(xiàn)了一具尸體苛聘,經(jīng)...
    沈念sama閱讀 44,166評(píng)論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡涂炎,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,510評(píng)論 2 327
  • 正文 我和宋清朗相戀三年,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了焰盗。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片璧尸。...
    茶點(diǎn)故事閱讀 38,643評(píng)論 1 340
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡咒林,死狀恐怖熬拒,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情垫竞,我是刑警寧澤澎粟,帶...
    沈念sama閱讀 34,306評(píng)論 4 330
  • 正文 年R本政府宣布,位于F島的核電站欢瞪,受9級(jí)特大地震影響活烙,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜遣鼓,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,930評(píng)論 3 313
  • 文/蒙蒙 一啸盏、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧骑祟,春花似錦回懦、人聲如沸气笙。這莊子的主人今日做“春日...
    開(kāi)封第一講書人閱讀 30,745評(píng)論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)潜圃。三九已至,卻和暖如春舟茶,著一層夾襖步出監(jiān)牢的瞬間谭期,已是汗流浹背。 一陣腳步聲響...
    開(kāi)封第一講書人閱讀 31,983評(píng)論 1 266
  • 我被黑心中介騙來(lái)泰國(guó)打工吧凉, 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留隧出,地道東北人。 一個(gè)月前我還...
    沈念sama閱讀 46,351評(píng)論 2 360
  • 正文 我出身青樓阀捅,卻偏偏與公主長(zhǎng)得像鸳劳,于是被迫代替她去往敵國(guó)和親。 傳聞我的和親對(duì)象是個(gè)殘疾皇子也搓,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,509評(píng)論 2 348