26 网络中的网络 NiN【动手学深度学习v2】

Net in Net，一种现在比较冷门的网络结构

在常用的网络中，全连接层的存在往往会使要训练的参数爆炸增长。

NiN思想：完全抛弃全连接层

在NiN中，最重要的结构是NiN块（大部分经典网络结构的主要组成部分都是各种网络块）

NiN块主要由一个卷积层和两个1*1全连接层组成（也可视为1*1卷积层），相当于一个参数减少了的全连接层。

NiN架构：交替使用NiN块和二步最大池化层

NiN块以一个普通卷积层开始，后面是两个1×1

的卷积层。这两个1×1卷积层充当带有ReLU激活函数的逐像素全连接层。 第一层的卷积窗口形状通常由用户设置。 随后的卷积窗口形状固定为1×1。

代码实现：

构建NiN块：

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


def nin_block(in_channels, out_channels, kernel_size, strides, padding):
    return nn.Sequential(
        nn.Conv2d(in_channels, out_channels, kernel_size, strides, padding),
        nn.ReLU(),
        nn.Conv2d(out_channels, out_channels, kernel_size=1), nn.ReLU(),
        nn.Conv2d(out_channels, out_channels, kernel_size=1), nn.ReLU())

由上述代码可以看出，一个NiN块中含有三个ReLU，NiN的非线性拟合主要是ReLU带来的

构建网络：

net = nn.Sequential(
    nin_block(1, 96, kernel_size=11, strides=4, padding=0),
    nn.MaxPool2d(3, stride=2),
    nin_block(96, 256, kernel_size=5, strides=1, padding=2),
    nn.MaxPool2d(3, stride=2),
    nin_block(256, 384, kernel_size=3, strides=1, padding=1),
    nn.MaxPool2d(3, stride=2),
    nn.Dropout(0.5),
    # 标签类别数是10
    nin_block(384, 10, kernel_size=3, strides=1, padding=1),
    nn.AdaptiveAvgPool2d((1, 1)),
    #AdaptiveAvgPool2d：全局平均池化
    # 将四维的输出转成二维的输出，其形状为(批量大小,10)，这个数据可以直接输入softmax进行最大似然估计，softmax已经写在train函数里了
    nn.Flatten())

创建一个数据样本来查看每个块的输出形状。

X = torch.rand(size=(1, 1, 224, 224))
for layer in net:
    X = layer(X)
    print(layer.__class__.__name__,'output shape:\t', X.shape)

Sequential output shape:     torch.Size([1, 96, 54, 54])
MaxPool2d output shape:      torch.Size([1, 96, 26, 26])
Sequential output shape:     torch.Size([1, 256, 26, 26])
MaxPool2d output shape:      torch.Size([1, 256, 12, 12])
Sequential output shape:     torch.Size([1, 384, 12, 12])
MaxPool2d output shape:      torch.Size([1, 384, 5, 5])
Dropout output shape:        torch.Size([1, 384, 5, 5])
Sequential output shape:     torch.Size([1, 10, 5, 5])
AdaptiveAvgPool2d output shape:      torch.Size([1, 10, 1, 1])
Flatten output shape:        torch.Size([1, 10])

训练效果

lr, num_epochs, batch_size = 0.1, 10, 128
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, resize=224)
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())

loss 0.322, train acc 0.881, test acc 0.865
3226.1 examples/sec on cuda:0