动手学深度学习（pytorch）学习记录32-稠密连接网络(DenseNet)[学习记录]

稠密块是DenseNet中的关键组成部分，它由多个卷积层组成，每个卷积层的输出都是后续所有层的输入。这种设计使得每一层都可以利用前面所有层的特征，从而增强了特征的重用和传递。过渡层则用于控制通道数量，防止模型过于复杂，通常包括批量归一化、1x1卷积和2x2平均池化操作。

DenseNet的优点包括：

1. 梯度复用：每一层都可以直接访问之前所有层的特征图，有助于提取更丰富和具有表征能力的特征。
2. 梯度传播：密集连接使得梯度可以更轻松地传播到较早的层，有助于缓解梯度消失和梯度爆炸问题。
3. 参数效率：由于特征重用，DenseNet的参数量相对较少，计算效率更高。

从ResNet到DenseNet

ResNet将f分解为两个部分：一个简单的线性项和一个复杂的非线性项。
ResNet和DenseNet的关键区别在于，DenseNet的输出是连接，而不是ResNet的简单相加。
稠密网络主要由两部分构成：稠密快（dense block）和过渡层（transition layer）。稠密块定义如何输入和输出，过渡层控制通道数，使模型不会太复杂。

稠密块体

DenseNet使用了ResNet改良版的“批量规范化层、激活层和卷积层”架构。

import torch
from torch import nn
from d2l import torch as d2l


def conv_block(input_channels, num_channels):
    return nn.Sequential(
        nn.BatchNorm2d(input_channels), nn.ReLU(),# 规范->激活-->卷积
        nn.Conv2d(input_channels, num_channels, kernel_size=3, padding=1))

一个稠密块由多个卷积块组成，每个卷积块使用相同数量的输出通道。在向前传播的过程中，将每个卷积块的输入和输出在通道维度上相相连接。

class DenseBlock(nn.Module):
    def __init__(self, num_convs, input_channels, num_channels):
        super(DenseBlock, self).__init__()
        layer = []
        for i in range(num_convs):
            layer.append(conv_block(
                num_channels * i + input_channels, num_channels))
        self.net = nn.Sequential(*layer)

    def forward(self, X):
        for blk in self.net:
            Y = blk(X)
            # 连接通道维度上每个块的输入和输出
            X = torch.cat((X, Y), dim=1)
        return X

在下面的例子中，定义了一个有2个输出通道数为10的DenseBlock。 使用通道数为3的输入时，我们会得到通道数为 3+2×10=23的输出。 卷积块的通道数（num_channels）控制了输出通道数相对于输入通道数的增长，因此也被称为增长率（growth rate）。

blk = DenseBlock(2, 3, 10)
X = torch.randn(4, 3, 8, 8)
Y = blk(X)
Y.shape

torch.Size([4, 23, 8, 8])

过渡层

每个稠密块都会使通道数增加，使用过多稠密块会使模型变得过于复杂，过渡层通过1×1卷积层来减少通道数，使用步幅为2的平均汇聚层使高宽减半

def transition_block(input_channels, num_channels):
    return nn.Sequential(
        nn.BatchNorm2d(input_channels), nn.ReLU(),
        nn.Conv2d(input_channels, num_channels, kernel_size=1),# num_channels设置较小值减少通道数
        nn.AvgPool2d(kernel_size=2, stride=2))

对上一个例子中稠密块的输出使用通道数为10的过渡层。 此时输出的通道数减为10，高和宽均减半。

blk = transition_block(23, 10)
blk(Y).shape

torch.Size([4, 10, 4, 4])

DenseNet模型

DenseNet使用同ResNet一样的单卷积层和最大汇聚层。

b1 = nn.Sequential(
    nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3),
    nn.BatchNorm2d(64), nn.ReLU(),
    nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

DenseNet使用的是4个稠密块。设置每个稠密块使用4个卷积层。 稠密块里的卷积层通道数（即增长率）设为32，所以每个稠密块将增加128个通道。
在每个模块之间，ResNet通过步幅为2的残差块减小高和宽，DenseNet则使用过渡层来减半高和宽，并减半通道数。

# num_channels为当前的通道数
num_channels, growth_rate = 64, 32
num_convs_in_dense_blocks = [4, 4, 4, 4]
blks = []
for i, num_convs in enumerate(num_convs_in_dense_blocks):
    blks.append(DenseBlock(num_convs, num_channels, growth_rate))
    # 上一个稠密块的输出通道数
    num_channels += num_convs * growth_rate
    # 在稠密块之间添加一个转换层，使通道数量减半
    if i != len(num_convs_in_dense_blocks) - 1:
        blks.append(transition_block(num_channels, num_channels // 2))
        num_channels = num_channels // 2

最后接上全局汇聚层和全连接层来输出结果。

net = nn.Sequential(
    b1, *blks,
    nn.BatchNorm2d(num_channels), nn.ReLU(),
    nn.AdaptiveAvgPool2d((1, 1)),
    nn.Flatten(),
    nn.Linear(num_channels, 10))

训练模型

由于这里使用了比较深的网络，将输入高和宽从224降到96来简化计算。

lr, num_epochs, batch_size = 0.1, 15, 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, resize=96)
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())

loss 0.095, train acc 0.965, test acc 0.888
3438.9 examples/sec on cuda:0

· 本文使用了d2l包，这极大地减少了代码编辑量，需要安装d2l包才能运行本文代码

封面图片来源
欢迎点击我的主页查看更多文章。
本人学习地址https://zh-v2.d2l.ai/
恳请大佬批评指正。