本节参考:《DIVE INTO DEEP LEARNING》
AlexNet和VGG对LeNet的改进主要在于如何对卷积层和全连接层模块加宽(增加通道数)和加深。而NiN提出了另外一个思路,即串联多个由卷积层和“全连接”层构成的小网络来构建一个深层网络。
NiN块
卷积层中可以把通道当作特征,高和宽上的每个元素相当于样本。因此,NiN使用 卷积层来替代全连接层,从而使空间信息能够自然传递到后面的层中去(可以实现多个feature map的线性组合,实现跨通道的信息整合的功效)。
NiN块是NiN中的基础块。它由一个卷积层加两个充当全连接层的 卷积层串联而成。其中第一个卷积层的超参数可以自行设置,而第二和第三个卷积层的超参数一般是固定的。
def nin_block(in_channels, out_channels, kernel_size, strides, padding):
blk = []
blk += [nn.Conv2d(in_channels, out_channels, kernel_size, strides, padding),
nn.ReLU(inplace=True),
nn.Conv2d(out_channels, out_channels, kernel_size=1),
nn.ReLU(inplace=True),
nn.Conv2d(out_channels, out_channels, kernel_size=1),
nn.ReLU(inplace=True)]
return blk
NiN模型
NiN是在AlexNet问世不久后提出的。它们的卷积层设定有类似之处。NiN使用卷积窗口形状分别为 、 和 的卷积层,相应的输出通道数也与AlexNet中的一致。每个NiN块后接一个步幅为2、窗口形状为 的最大池化层。
NiN去掉了AlexNet最后的3个全连接层,取而代之地,NiN使用了输出通道数等于标签类别数的NiN块,然后使用全局平均池化层(Global Average Pooling, GAP) 对每个通道中所有元素求平均并直接用于分类。
# 以ImageNet的3*224*224图像为例,类别数为10
class NiN(nn.Module):
def __init__(self, num_classes=1000):
super(NiN, self).__init__()
layers = []
channels = [3, 96, 256, 384]
kernel_size = [11, 5, 3]
strides = [4, 1, 1]
paddings = [0, 2, 1]
for i in range(3):
layers += nin_block(channels[i], channels[i + 1], kernel_size[i], strides[i], paddings[i])
layers.append(nn.MaxPool2d(3, 2))
layers.append(nn.Dropout(0.5))
self.features = nn.Sequential(*layers)
layers = []
layers += nin_block(384, 10, kernel_size=3, strides=1, padding=1)
layers.append(nn.AdaptiveAvgPool2d(1))
self.classifier = nn.Sequential(*layers)
def forward(self, x):
x = self.features(x)
x = self.classifier(x)
x = x.squeeze()
return x
为什么NiN块中要有两个1x1卷积层?
截取《DIVE INTO DEEP LEARNING》讨论区里的回答:
每个卷积层都可以视为多了一层非线性变换,多加了这种非线性变换网络的性能应该也能变好