上学笔记TF03三

ResNet(Residual Neural Network),微软钻探院 Kaiming
He等四名华夏族提出。通过Residual Unit磨炼15二层深神经互联网,ILSV奥迪Q7C
20一5较量季军,叁.57%
top-5错误率,参数量比VGGNet低,效果非常优秀。ResNet结构,非常快加快超深神经网络陶冶,模型准确率很大提高。英斯ption
V4,英斯ption Module、ResNet结合。ResNet推广性好。

学学笔记TF03三:达成ResNet,tf03三resnet

ResNet(Residual Neural Network),微软钻探院 Kaiming
He等肆名中原人建议。通过Residual Unit磨练15二层深神经互连网,ILSVHavalC
20一五竞赛季军,三.伍七%
top-5错误率,参数量比VGGNet低,效果13分卓越。ResNet结构,相当慢加快超深神经互连网磨炼,模型准确率相当的大升高。英斯ption
V四,英斯ption Module、ResNet结合。ResNet推广性好。

瑞拾助教Schmidhuber(LSTM网络发明者,1997年)提出Highway
Network。化解极深神经互连网难磨练难点。修改每层激活函数,从前激活函数只是对输入非线性别变化换y=H(x,WH),Highway
NetWork保留一定比重原始输入x,y=H(x,WH)·T(x,WT)+x·C(x,WC),T变换周密,C保留周密,令C=一-T。前边1层音讯,一定比例不经过矩阵乘法和非线性别变化换,直接传输下1层。Highway
Network,gating
units学习决定网络音信流,学习原始音信应封存比例。gating机制,Schmidhuber教授早年LSTM循环神经互联网gating。几百上千层深Highway
Network,直接梯度降低算法磨炼,合作三种非线性激活函数,学习极深神经网络。Highway
Network允许练习任意深度互连网,优化措施与网络深度独立。

ResNet
允许原始输入音信直接传输到后层。Degradation难点,不断加重神经互连网深度,准确率先上涨达到饱和,再下降。ResNet灵感,用全等映射直接将前层输出传到后层。神经互连网输入x,期望输出H(x),输入x直接传到输出作初阶结果,学习指标F(x)=H(x)-x。ResNet残差学习单元(Residual
Unit),不再念书欧洲经济共同体输出H(x),只学习输出输入差异H(x)-x,残差。

ResNet,很多旁路支线,输入直接连到后层,后层间接攻读残差,shortcut或connections。直接将输入音讯绕道传到输出,保养音信完整性,整个网络只学习输入、输出差距,简化学习指标、难度。

两层残新式学习单元包涵多个一样输出通道数三x三卷积。三层残差网络用Network
In Network和英斯ption Net
一x1卷积。在中间叁x叁卷积前后都用一x1卷积,先降维再升维。倘使输入输出维度区别,对输入x线性映射变换维度,再接后层。

layername outputsize 18-layer 34-layer 50-layer 101-layer 152-layer
conv1 112×112 7×7,64,stride 2
conv2_x 56×56 3×3 max pool,stride 2
3×3,64×2 3×3,64×3 1×1,64×3 1×1,64×3 1×1,64×3
3×3,64 3×3,64 3×3,64 3×3,64 3×3,64
1×1,256 1×1,256 1×1,256
conv3_x 28×28 3×3,128×2 3×3,128×4 1×1,128×4 1×1,128×4 1×1,128×8
3×3,128 3×3,128 3×3,128 3×3,128 3×3,128
1×1,512 1×1,512 1×1,512
conv4_x 14×14 3×3,256×2 3×3,256×6 1×1,256×6 1×1,256×23 1×1,256×36
3×3,256 3×3,256 3×3,256 3×3,256 3×3,256
1×1,1024 1×1,1024 1×1,1024
conv5_x 7×7 3×3,512×2 3×3,512×3 1×1,512×3 1×1,512×3 1×1,512×3
3×3,512 3×3,512 3×3,512 3×3,512 3×3,512
1×1,2048 1×1,2048 1×1,2048
1×1 average pool,1000-d fc,softmax
FLOPs 1.8×10^9 3.6×10^9 3.8×10^9 7.6×10^9 11.3×10^9

ResNet结构,解决层数不断加重演练集相对误差增大现象。ResNet互联网练习标称误差随层数增大逐步减小,测试集表现变好。谷歌(Google)借鉴ResNet,提议英斯ption
V肆和英斯ption-ResNet-V二,ILSVPRADOC错误率三.0捌%。《Identyty Mappings in Deep
Residual Networks》建议ResNet
V二。ResNet残差学习单元传播公式,前馈音讯和申报非确定性信号可一贯传输。skip
connection 非线性激活函数,替换Identity
Mappings(y=x)。ResNet每层都用Batch Normalization。

Schmidhuber教师,ResNet,未有gates
LSTM网络,输入x传递到后层进程一向发生。ResNet等价卡宴NN,ResNet类似多层网络间集成方法(ensemble)。

《The Power of Depth for Feedforward Neural
Networks》,理论注解加深网络比加宽网络更有效。

Tensorflow完结ResNet。contrib.slim库,原生collections。collections.namedtuple设计ResNet基本Block模块组named
tuple,成立Block类,唯有数据结构,未有具体方法。典型Block,两个参数,scope、unit_fn、args。
Block(‘block1’, bottleneck, [(256, 64, 1)] * 2 + [(256, 64,
2)]),block壹是Block名称(或scope),bottleneck是ResNet
V2残差学习单元。最终参数是Block
args,args是列表,各个成分对应bottleneck残差学习单元。前边五个因素(25六,
6四, 壹),第一因素(25陆, 64,
2),每一个成分皆以伊利tuple(depth,depth_bottleneck,stride)。(25陆, 6四,
三)代表bottleneck残差学习单元(八个卷积层),第贰层输出通道数depth
256,前两层输出通道数depth_bottleneck 6四,中间层步长stride
叁。残差学习单元结构[(1×1/s1,64),(3×3/s3,64),(1×1/s1,256)]。

降采集样品subsample方法,参数inputs(输入)、factor(采样因子)、scope。fator一,不做修改直接回到inputsx,不为1,用slim.max_pool二d最大池化达成。一x一池化尺寸,stride步长,完结降采集样品。

定义conv2d_same函数创立卷积层,就算stride为壹,用slim.conv贰d,padding情势SAME。stride不为一,显式pad
zero。pad zero总数kernel_size-1
pad_beg为pad//2,pad_end为余下部分。tf.pad补零输入变量。已经zero
padding,只需padding格局VALID的slim.conv二d创造此卷积层。

概念堆叠Blocks函数,参数net输入,blocks是Block class
列表。outputs_collections收集各end_points
collections。两层循环,各个Block,每一个Residual
Unit堆叠。用四个tf.variable_scope命名残差学习单元block/unit_1形式。第2层循环,每个Block每个Residual
Unit
args,展开depth、depth_bottleneck、stride。unit_fn残差学习单元生成函数,顺序创设连接全部残差学习单元。slim.utils.collect_named_outputs函数,输出net添加到collection。全部Block全体Residual
Unit堆叠完,重回最终net作stack_blocks_dense函数结果。

创建ResNet通用arg_scope,定义函数参数私下认可值。定义磨炼标记is_training私下认可True,权重衰减速度weight_decay暗中认可0.00一。BN衰减速率暗中认可0.9九七,BN
epsilon私下认可1e-五,BN
scale默许True。先安装好BN各项参数,通过slim.arg_scope设置slim.conv贰d默许参数,权重正则器设L二正则,权重起初化器设slim.variance_scaling_initializer(),激活函数设ReLU,标准化器设BN。最大池化padding情势私下认可设SAME(杂谈中用VALID),特征对齐更简明。多层嵌套arg_scope作结果重回。

概念主旨bottleneck残差学习单元。ResNet V二杂谈Full Preactivation Residual
Unit 变种。每层前都用Batch
Normalization,输入preactivation,不在卷积进行激活函数处理。参数,inputs输入,depth、depth_bottleneck、stride,outputs_collections收集end_points
collection,scope是unit名称。用slim.utils.last_dimension函数获取输入最后维度输出通道数,参数min_rank=肆限定最少五个维度。slim.batch_norm
输入 Batch Normalization,用ReLU函数预激活Preactivate。

定义shorcut,直连x,若是残差单元输入通道数depth_in、输出通道数depth壹致,用subsample,步长stride,inputs空间降采样,确定保证空间尺寸和残差一致,残差中间层卷积步长stride;尽管不雷同,用步长stride
一x1卷积改变通道数,变壹致。

定义residual(残差),3层,一x壹尺码、步长一、输出通道数depth_bottleneck卷积,三x3尺寸、步长stride、输出通道数depth_bottleneck卷积,一x一尺码、步长壹、出口通道数depth卷积,得最后residual,最后层未有正则项尚未激活函数。residual、shorcut相加,得最后结果output,用slim.utils.collect_澳门萄京娱乐场,named_outputs,结果添加collection,再次回到output函数结果。

概念生成ResNet
V2主函数。参数,inputs输入,blocks为Block类列表,num_classes最后输出类数,global_pool标志是不是加最终一层全局平均池化,include_root_block标志是或不是加ResNet网络最前边七x7卷积、最大池化,reuse标志是不是重用,scope整个网络名称。定义variable_scope、end_points_collection,通过slim.arg_scope设slim.con2d、bottleneck、stack_block_dense函数的参数outputs_collections默认end_points_colletion。根据include_root_block标记,创制ResNet最终面64输出通道步长二的7×7卷积,接步长二的叁x③最大池化。八个上涨幅度二层,图片尺寸减弱为百分之二十五。用stack_blocks_dense生成残差学习模块组,依照标记添加全局平均池化层,用tf.reduce_mean实现全局平均池化,功用比直接avg_pool高。依据是不是有分类数,添加输出通道num_classes一x一卷积(无激活函数无正则项),添加Softmax层输出互联网结果。用slim.utils.convert_to_dict
转化collection为Python dict。最后回到net、end_points。

50层ResNet,5个残差学习Blocks,units数量为叁、四、陆、3,总层数(3+四+陆+三)x3+2=50。残差学习模块前,卷积、池化把尺寸减弱4倍,前3个Blocks包涵步长2层,总尺寸裁减四x八=3贰倍。输入图片尺寸最后变224/3二=7。ResNet不断用步长二层缩减尺寸,输出通道数持续加码,达到2048。

152层ResNet,第二Block units数8,第三Block units数36。

200层ResNet,第二Block units数23,第三Block units数36。

评测函数time_tensorflow_run测试15二层ResNet
forward品质。图片尺寸2二四x2二四,batch size 3二。is_training
FLAG设False。resnet_v2_152创制网络,time_tensorflow_run评测forward品质。耗费时间扩充二分之一,实用卷积神经网络布局,帮忙超深网络磨炼,实际工业应用forward品质不差。

参考资料:
《TensorFlow实践》

欢迎付费咨询(150元每小时),我的微信:qingxingfengzi

http://www.bkjia.com/Pythonjc/1220094.htmlwww.bkjia.comtruehttp://www.bkjia.com/Pythonjc/1220094.htmlTechArticle学习笔记TF033:实现ResNet,tf033resnet
ResNet(Residual Neural Network),微软商量院 Kaiming
He等四名夏族提议。通过Residual Unit训练15二层深神经网络,ILSV…

瑞10教师Schmidhuber(LSTM网络发明者,19九七年)建议Highway
Network。消除极深神经网络难磨练难点。修改每层激活函数,在此以前激活函数只是对输入非线性别变化换y=H(x,WH),Highway
NetWork保留一定比重原始输入x,y=H(x,WH)·T(x,WT)+x·C(x,WC),T变换全面,C保留周全,令C=一-T。前面1层消息,一定比重不经过矩阵乘法和非线性别变化换,直接传输下一层。Highway
Network,gating
units学习决定网络音讯流,学习原始音讯应封存比例。gating机制,Schmidhuber教师早年LSTM循环神经网络gating。几百上千层深Highway
Network,直接梯度下落算法磨炼,合营多样非线性激活函数,学习极深神经互连网。Highway
Network允许磨炼任意深度网络,优化措施与互连网深度独立。

ResNet
允许原始输入音讯一向传输到后层。Degradation难题,不断深化神经互连网深度,准确率先上涨达到饱和,再下落。ResNet灵感,用全等映射直接将前层输出传到后层。神经互联网输入x,期望输出H(x),输入x直接传到输出作开始结果,学习指标F(x)=H(x)-x。ResNet残差学习单元(Residual
Unit),不再念书欧洲经济共同体输出H(x),只学习输出输入差异H(x)-x,残差。

ResNet,很多旁路支线,输入直接连到后层,后层直接攻读残差,shortcut或connections。直接将输入音讯绕道传到输出,爱惜新闻完整性,整个互联网只学习输入、输出差异,简化学习指标、难度。

两层残新式学习单元包括三个相同输出通道数三x三卷积。三层残差互联网用Network
In Network和Inception Net
壹x一卷积。在在那之中三x叁卷积前后都用一x1卷积,先降维再升维。假如输入输出维度分化,对输入x线性映射变换维度,再接后层。

layername outputsize 18-layer 34-layer 50-layer 101-layer 152-layer
conv1 112×112 7×7,64,stride 2
conv2_x 56×56 3×3 max pool,stride 2
3×3,64×2 3×3,64×3 1×1,64×3 1×1,64×3 1×1,64×3
3×3,64 3×3,64 3×3,64 3×3,64 3×3,64
1×1,256 1×1,256 1×1,256
conv3_x 28×28 3×3,128×2 3×3,128×4 1×1,128×4 1×1,128×4 1×1,128×8
3×3,128 3×3,128 3×3,128 3×3,128 3×3,128
1×1,512 1×1,512 1×1,512
conv4_x 14×14 3×3,256×2 3×3,256×6 1×1,256×6 1×1,256×23 1×1,256×36
3×3,256 3×3,256 3×3,256 3×3,256 3×3,256
1×1,1024 1×1,1024 1×1,1024
conv5_x 7×7 3×3,512×2 3×3,512×3 1×1,512×3 1×1,512×3 1×1,512×3
3×3,512 3×3,512 3×3,512 3×3,512 3×3,512
1×1,2048 1×1,2048 1×1,2048
1×1 average pool,1000-d fc,softmax
FLOPs 1.8×10^9 3.6×10^9 3.8×10^9 7.6×10^9 11.3×10^9

ResNet结构,化解层数不断深化陶冶集基值误差增大现象。ResNet互连网锻练标称误差随层数增大渐渐减小,测试集表现变好。Google借鉴ResNet,提议英斯ption
V四和英斯ption-ResNet-V2,ILSV福睿斯C错误率3.0八%。《Identyty Mappings in Deep
Residual Networks》建议ResNet
V二。ResNet残差学习单元传播公式,前馈新闻和汇报非时域信号可径直传输。skip
connection 非线性激活函数,替换Identity
Mappings(y=x)。ResNet每层都用Batch Normalization。

Schmidhuber教师,ResNet,未有gates
LSTM互连网,输入x传递到后层进度一向产生。ResNet等价SportageNN,ResNet类似多层网络间集成方法(ensemble)。

《The Power of Depth for Feedforward Neural
Networks》,理论注明加深互连网比加宽网络更使得。

Tensorflow达成ResNet。contrib.slim库,原生collections。collections.namedtuple设计ResNet基本Block模块组named
tuple,创设Block类,只有数据结构,未有具体方法。典型Block,多少个参数,scope、unit_fn、args。
Block(‘block1’, bottleneck, [(256, 64, 1)] * 2 + [(256, 64,
2)]),block一是Block名称(或scope),bottleneck是ResNet
V2残差学习单元。最终参数是Block
args,args是列表,每个成分对应bottleneck残差学习单元。前边三个成分(25陆,
6肆, 一),第3因素(256, 64,
二),各类成分都以长富tuple(depth,depth_bottleneck,stride)。(25陆, 6四,
叁)代表bottleneck残差学习单元(多个卷积层),第一层输出通道数depth
256,前两层输出通道数depth_bottleneck 6四,中间层步长stride
三。残差学习单元结构[(1×1/s1,64),(3×3/s3,64),(1×1/s1,256)]。

降采集样品subsample方法,参数inputs(输入)、factor(采集样品因子)、scope。fator1,不做修改直接重回inputsx,不为1,用slim.max_pool二d最大池化完结。一x壹池化尺寸,stride步长,完毕降采集样品。

定义conv2d_same函数创设卷积层,假如stride为一,用slim.conv二d,padding情势SAME。stride不为一,显式pad
zero。pad zero总数kernel_size-1
pad_beg为pad//2,pad_end为余下有个别。tf.pad补零输入变量。已经zero
padding,只需padding方式VALID的slim.conv二d创办此卷积层。

概念堆叠Blocks函数,参数net输入,blocks是Block class
列表。outputs_collections收集各end_points
collections。两层循环,每个Block,各种Residual
Unit堆叠。用八个tf.variable_scope命名残差学习单元block/unit_1形式。第2层循环,每个Block每个Residual
Unit
args,展开depth、depth_bottleneck、stride。unit_fn残差学习单元生成函数,顺序创制连接全部残差学习单元。slim.utils.collect_named_outputs函数,输出net添加到collection。全部Block全数Residual
Unit堆叠完,再次回到最终net作stack_blocks_dense函数结果。

创建ResNet通用arg_scope,定义函数参数私下认可值。定义练习标记is_training暗中同意True,权重衰减速度weight_decay默认0.00壹。BN衰减速率私下认可0.9玖柒,BN
epsilon暗中认可1e-伍,BN
scale默许True。先安装好BN各项参数,通过slim.arg_scope设置slim.conv贰d暗中认可参数,权重正则器设L2正则,权重初步化器设slim.variance_scaling_initializer(),激活函数设ReLU,标准化器设BN。最大池化padding格局暗中认可设SAME(随想中用VALID),特征对齐更简便。多层嵌套arg_scope作结果回到。

概念核心bottleneck残差学习单元。ResNet V2杂谈Full Preactivation Residual
Unit 变种。每层前都用Batch
Normalization,输入preactivation,不在卷积进行激活函数处理。参数,inputs输入,depth、depth_bottleneck、stride,outputs_collections收集end_points
collection,scope是unit名称。用slim.utils.last_dimension函数获取输入最后维度输出通道数,参数min_rank=肆限定最少陆个维度。slim.batch_norm
输入 Batch Normalization,用ReLU函数预激活Preactivate。

定义shorcut,直连x,假设残差单元输入通道数depth_in、输出通道数depth壹致,用subsample,步长stride,inputs空间降采集样品,确认保证空间尺寸和残差一致,残差中间层卷积步长stride;如果不一样,用步长stride
1x一卷积改变通道数,变壹致。

定义residual(残差),叁层,1x一尺寸、步长一、出口通道数depth_bottleneck卷积,三x三尺寸、步长stride、输出通道数depth_bottleneck卷积,1x壹尺寸、步长一、输出通道数depth卷积,得最终residual,最终层未有正则项尚未激活函数。residual、shorcut相加,得最终结果output,用slim.utils.collect_named_outputs,结果添加collection,再次回到output函数结果。

概念生成ResNet
V二主函数。参数,inputs输入,blocks为Block类列表,num_classes最终输出类数,global_pool标志是还是不是加最终一层全局平均池化,include_root_block标志是不是加ResNet互连网最前头7x柒卷积、最大池化,reuse标志是还是不是重用,scope整个互连网名称。定义variable_scope、end_points_collection,通过slim.arg_scope设slim.con2d、bottleneck、stack_block_dense函数的参数outputs_collections默认end_points_colletion。根据include_root_block标记,成立ResNet最前面6四出口通道步长贰的7×7卷积,接步长贰的三x三最大池化。多少个增长幅度贰层,图片尺寸减弱为百分之二10伍。用stack_blocks_dense生成残差学习模块组,依据标记添加全局平均池化层,用tf.reduce_mean完成全局平均池化,效用比直接avg_pool高。依据是不是有分类数,添加输出通道num_classes一x1卷积(无激活函数无正则项),添加Softmax层输出网络结果。用slim.utils.convert_to_dict
转化collection为Python dict。最终回来net、end_points。

50层ResNet,多少个残差学习Blocks,units数量为3、四、陆、3,总层数(三+四+陆+三)x三+二=50。残差学习模块前,卷积、池化把尺寸缩短4倍,前3个Blocks包罗步长二层,总尺寸收缩4x捌=3二倍。输入图片尺寸最终变224/3二=七。ResNet不断用步长二层缩减尺寸,输出通道数持续加码,达到2048。

152层ResNet,第二Block units数8,第三Block units数36。

200层ResNet,第二Block units数23,第三Block units数36。

评测函数time_tensorflow_run测试152层ResNet
forward性能。图片尺寸2二四x2二四,batch size 3二。is_training
FLAG设False。resnet_v2_15二创造互联网,time_tensorflow_run评测forward质量。耗费时间增添八分之四,实用卷积神经网络布局,扶助超深互联网锻练,实际工业应用forward品质不差。

参考资料:
《TensorFlow实战》

欢迎付费咨询(150元每时辰),笔者的微信:qingxingfengzi

相关文章

发表评论

电子邮件地址不会被公开。 必填项已用*标注