神经互联网输入x,神经网络输入x

ResNet(Residual Neural Network),微软研商院 Kaiming
He等四名中原人建议。通过Residual Unit磨练15二层深神经网络,ILSV普拉多C
20一5比赛亚军,3.5七%
top-5错误率,参数量比VGGNet低,效果十一分杰出。ResNet结构,一点也不慢加速超深神经互联网陶冶,模型准确率非常大提高。英斯ption
V肆,英斯ption Module、ResNet结合。ResNet推广性好。

上学笔记TF03三:完成ResNet,tf03三resnet

ResNet(Residual Neural Network),微软斟酌院 Kaiming
He等肆名中华夏族民共和国人建议。通过Residual Unit陶冶152层深神经网络,ILSVRAV4C
二〇一四比赛季军,三.伍柒%
top-5错误率,参数量比VGGNet低,效果尤其优良。ResNet结构,异常的快加速超深神经互连网磨炼,模型准确率非常的大升高。英斯ption
V肆,英斯ption Module、ResNet结合。ResNet推广性好。

瑞拾教师施密德huber(LSTM互连网发明者,19玖柒年)建议Highway
Network。化解极深神经网络难磨练问题。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变换全面,C保留周详,令C=一-T。前边一层音讯,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,学习原始音讯应封存比例。gating机制,施密德huber教师早年LSTM循环神经互连网gating。几百上千层深Highway
Network,直接梯度下落算法磨练,合作各类非线性激活函数,学习极深神经网络。Highway
Network允许陶冶任意深度网络,优化措施与网络深度独立。

ResNet
允许原始输入新闻直接传输到后层。Degradation难点,不断加深神经互联网深度,准确率先上涨达到饱和,再下跌。ResNet灵感,用全等映射直接将前层输出传到后层。神经网络输入x,期望输出H(x),输入x直接传到输出作开首结果,学习目的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,爱慕音讯完整性,整个互联网只学习输入、输出差距,简化学习目的、难度。

两层残新式学习单元包蕴四个1样输出通道数3x三卷积。3层残差网络用Network
In Network和英斯ption Net
一x一卷积。在中游3x三卷积前后都用一x一卷积,先降维再升维。假设输入输出维度分歧,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,消除层数不断加深练习集固有误差增大现象。ResNet互连网练习误差随层数增大渐渐减小,测试集表现变好。谷歌(Google)借鉴ResNet,建议英斯ption
V四和英斯ption-ResNet-V2,ILSVQashqaiC错误率三.0八%。《Identyty Mappings in Deep
Residual Networks》提议ResNet
V2。ResNet残差学习单元传播公式,前馈消息和上报信号可径直传输。skip
connection 非线性激活函数,替换Identity
Mappings(y=x)。ResNet每层都用Batch Normalization。

施密德huber教师,ResNet,未有gates
LSTM网络,输入x传递到后层进度一向产生。ResNet等价哈弗NN,ResNet类似多层网络间集成方法(ensemble)。

《The Power of Depth for Feedforward Neural
Networks》,理论评释加深网络比加宽互连网更实惠。

Tensorflow完毕ResNet。contrib.slim库,原生collections。collections.namedtuple设计ResNet基本Block模块组named
tuple,创制Block类,唯有数据结构,未有具体方法。典型Block,四个参数,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
V贰残差学习单元。最终参数是Block
args,args是列表,每一种元素对应bottleneck残差学习单元。后面三个成分(25陆,
64, 1),第三因素(25陆, 64,
2),每一个成分都以安慕希tuple(depth,depth_bottleneck,stride)。(256, 6四,
三)代表bottleneck残差学习单元(多个卷积层),第一层输出通道数depth
25陆,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。fator一,不做修改直接回到inputsx,不为一,用slim.max_pool2d最大池化完毕。一x一池化尺寸,stride步长,达成降采集样品。

定义conv2d_same函数创造卷积层,假如stride为一,用slim.conv2d,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形式VALID的slim.conv2d成立此卷积层。

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。用多少个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,顺序创造连接全部残差学习单元。slim.utils.collect_named_outputs函数,输出net添加到collection。全数Block全数Residual
Unit堆叠完,再次来到最终net作stack_blocks_dense函数结果。

创建ResNet通用arg_scope,定义函数参数暗中认可值。定义磨炼标记is_training暗中认可True,权重衰减速度weight_decay暗许0.001。BN衰减速率暗中认可0.997,BN
epsilon私下认可1e-伍,BN
scale私下认可True。先安装好BN各项参数,通过slim.arg_scope设置slim.conv②d私下认可参数,权重正则器设L二正则,权重伊始化器设slim.variance_scaling_initializer(),激活函数设ReLU,标准化器设BN。最大池化padding形式暗中认可设SAME(杂谈中用VALID),特征对齐更简短。多层嵌套arg_scope作结果回到。

概念宗旨bottleneck残差学习单元。ResNet V二诗歌Full Preactivation Residual
Unit 变种。每层前都用Batch
诺玛lization,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函数获取输入末了维度输出通道数,参数min_rank=4限定最少八个维度。slim.batch_norm
输入 Batch Normalization,用ReLU函数预激活Preactivate。

定义shorcut,直连x,假诺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,确定保障空间尺寸和残差一致,残差中间层卷积步长stride;假如不雷同,用步长stride
1x一卷积改变通道数,变1致。

定义residual(残差),3层,壹x1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,一x1尺码、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,得最后结果output,用slim.utils.collect_named_outputs,结果添加collection,重返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最后输出类数,global_pool标志是或不是加最终一层全局平均池化,include_root_block标志是还是不是加ResNet网络最前边七x柒卷积、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,成立ResNet最终边6四输出通道步长贰的柒x七卷积,接步长2的三x三最大池化。三个上涨幅度2层,图片尺寸减少为百分之二10五。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达成全局平均池化,功能比直接avg_pool高。依据是还是不是有分类数,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层输出互连网结果。用slim.utils.convert_to_dict
转化collection为Python dict。最终回来net、end_points。

50层ResNet,四个残差学习Blocks,units数量为三、四、陆、3,总层数(三+肆+陆+叁)x三+二=50。残差学习模块前,卷积、池化把尺寸减弱四倍,前2个Blocks包括步长二层,总尺寸减弱肆x八=3二倍。输入图片尺寸最后变224/3贰=柒。ResNet不断用步长二层缩减尺寸,输出通道数持续加码,达到204八。

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质量。图片尺寸2二四x2二四,batch size 32。is_training
FLAG设False。resnet_v2_15二创制网络,time_tensorflow_run评测forward品质。耗费时间扩张2/4,实用卷积神经互联网布局,支持超深互联网陶冶,实际工业使用forward质量不差。

参考资料:
《TensorFlow实践》

欢迎付费咨询(150元每时辰),作者的微信: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),微软探究院 Kaiming
He等四名中原人提议。通过Residual Unit锻练152层深神经互连网,ILSV…

《The Power of Depth for Feedforward Neural
Networks》,理论申明加深互联网比加宽网络更管用。

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,每一种Block,各个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,顺序创造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,再次回到最终net作stack_blocks_dense函数结果。

ResNet结构,消除层数不断深化磨练集相对误差增大现象。ResNet互连网磨练标称误差随层数增大逐步减小,测试集表现变好。Google借鉴ResNet,提出英斯ption
V四和英斯ption-ResNet-V二,ILSV君越C错误率3.08%。《Identyty Mappings in Deep
Residual Networks》建议ResNet
V二。ResNet残差学习单元传播公式,前馈消息和反馈时域信号可一贯传输。skip
connection 非线性激活函数,替换Identity
Mappings(y=x)。ResNet每层都用Batch Normalization。

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

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

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。直接将输入消息绕道传到输出,珍惜音信完整性,整个网络只学习输入、输出差异,简化学习指标、难度。

Tensorflow达成ResNet。contrib.slim库,原生collections。collections.namedtuple设计ResNet基本Block模块组named
tuple,创制Block类,只有数据结构,未有具体方法。典型Block,多个参数,scope、unit_fn、args。
Block(‘block1’, bottleneck, [(256, 64, 1)] * 2 + [(256, 64,
2)]),block1是Block名称(或scope),bottleneck是ResNet
V贰残差学习单元。最终参数是Block
args,args是列表,每一种元素对应bottleneck残差学习单元。后边四个因素(256,
6四, 壹),第3要素(256, 64,
二),各类成分都以长富tuple(depth,depth_bottleneck,stride)。(25陆, 6肆,
三)代表bottleneck残差学习单元(几个卷积层),第2层输出通道数depth
25陆,前两层输出通道数depth_bottleneck 6肆,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)]。

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

ResNet
允许原始输入消息平素传输到后层。Degradation难题,不断加剧神经互联网深度,准确率先上涨达到饱和,再降低。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直接传到输出作早先结果,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),只学习输出输入差距H(x)-x,残差。

定义shorcut,直连x,若是残差单元输入通道数depth_in、输出通道数depth1致,用subsample,步长stride,inputs空间降采集样品,确认保障空间尺寸和残差1致,残差中间层卷积步长stride;假设不等同,用步长stride
一x一卷积改变通道数,变1致。

Schmidhuber教授,ResNet,没有gates
LSTM互连网,输入x传递到后层进程平素爆发。ResNet等价CR-VNN,ResNet类似多层互连网间集成方法(ensemble)。

评测函数time_tensorflow_run测试15二层ResNet
forward品质。图片尺寸2二四x2二肆,batch size 3贰。is_training
FLAG设False。resnet_v2_152成立网络,time_tensorflow_run评测forward性能。耗费时间扩大四分之二,实用卷积神经网络布局,协理超深互连网磨练,实际工业使用forward品质不差。

50层ResNet,陆个残差学习Blocks,units数量为3、四、六、3,总层数(三+四+六+三)x三+二=50。残差学习模块前,卷积、池化把尺寸减少肆倍,前一个Blocks包罗步长贰层,总尺寸减少4x八=3二倍。输入图片尺寸最后变224/3二=7。ResNet不断用步长贰层缩减尺寸,输出通道数持续加码,达到2048。

定义conv2d_same函数创设卷积层,假诺stride为一,用slim.conv贰d,padding格局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形式VALID的slim.conv2d开立此卷积层。

创建ResNet通用arg_scope,定义函数参数暗许值。定义磨炼标记is_training暗中认可True,权重衰减速度weight_decay暗许0.00一。BN衰减速率默许0.9九7,BN
epsilon私下认可1e-5,BN
scale私下认可True。先安装好BN各项参数,通过slim.arg_scope设置slim.conv二d暗中同意参数,权重正则器设L2正则,权重开始化器设slim.variance_scaling_initializer(),激活函数设ReLU,标准化器设BN。最大池化padding方式私下认可设SAME(诗歌中用VALID),特征对齐更简约。多层嵌套arg_scope作结果再次回到。

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标志是不是加最终一层全局平均池化,include_root_block标志是还是不是加ResNet网络最前头7x柒卷积、最大池化,reuse标志是不是重用,scope整个互联网名称。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,创造ResNet最前头6四输出通道步长贰的七x7卷积,接步长二的三x三最大池化。五个增长幅度二层,图片尺寸裁减为1/4。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完成全局平均池化,作用比直接avg_pool高。遵照是或不是有分类数,添加输出通道num_classes壹x1卷积(无激活函数无正则项),添加Softmax层输出互连网结果。用slim.utils.convert_to_dict
转化collection为Python dict。最终回到net、end_points。

定义residual(残差),三层,1x一尺码、步长1、出口通道数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、步长一、输出通道数depth卷积,得最后residual,最终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_named_outputs,结果添加collection,重回output函数结果。

降采集样品subsample方法,参数inputs(输入)、factor(采集样品因子)、scope。fator一,不做修改直接回到inputsx,不为一,用slim.max_pool二d最大池化达成。一x一池化尺寸,stride步长,达成降采集样品。

瑞10教师Schmidhuber(LSTM网络发明者,19玖柒年)提议Highway
Network。消除极深神经互连网难陶冶难点。修改每层激活函数,以前激活函数只是对输入非线性别变化换y=H(x,WH),Highway
NetWork保留一定比例原始输入x,y=H(x,WH)·T(x,WT)+x·C(x,WC),T变换周到,C保留全面,令C=1-T。前边一层音讯,一定比重不通过矩阵乘法和非线性别变化换,直接传输下一层。Highway
Network,gating
units学习决定互连网音讯流,学习原始音讯应封存比例。gating机制,Schmidhuber教师早年LSTM循环神经互连网gating。几百上千层深Highway
Network,直接梯度降低算法演练,协作各样非线性激活函数,学习极深神经互连网。Highway
Network允许训练任意深度互连网,优化措施与互连网深度独立。

参考资料:
《TensorFlow实战》

两层残新式学习单元包蕴三个一样输出通道数③x三卷积。三层残差网络用Network
In Network和Inception Net
一x一卷积。在中游3×3卷积前后都用1×1卷积,先降维再升维。假诺输入输出维度区别,对输入x线性映射变换维度,再接后层。

永利网上娱乐,概念大旨bottleneck残差学习单元。ResNet V2散文Full Preactivation Residual
Unit 变种。每层前都用Batch
Normalization,输入preactivation,不在卷积举办激活函数处理。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=四限定最少四个维度。slim.batch_norm
输入 Batch Normalization,用ReLU函数预激活Preactivate。

迎接付费咨询(150元每小时),笔者的微信:qingxingfengzi

相关文章