文章來自微信公衆號【機器學習煉丹術】。我是煉丹兄，有什麼問題都可以來找我交流，近期建立了微信交流羣，也在朋友圈抽獎贈書十多本了。我的微信是cyx645016617，歡迎各位朋友。
參考目錄：
@
上一節課講解了MobileNet的一個DSC深度可分離卷積的概念，希望大家可以在實際的任務中使用這種方法，現在再來介紹EfficientNet的另外一個基礎知識—，Squeeze-and-Excitation Networks壓縮-激活網絡
1 網絡結構
可以看出來，左邊的圖是一個典型的Resnet的結構，Resnet這個殘差結構特徵圖求和而不是通道拼接，這一點可以注意一下
這個SENet結構式融合在殘差網絡上的，我來分析一下上圖右邊的結構：
- 輸出特徵圖假設shape是\(W \times H \times C\)的；
- 一般的Resnet就是這個特徵圖經過殘差網絡的基本組塊，得到了輸出特徵圖，然後輸入特徵圖和輸入特徵圖通過殘差結構連在一起（通過加和的方式連在一起）；
- SE模塊就是輸出特徵圖先經過一個全局池化層，shape從\(W \times H \times C\)變成了\(1 \times 1 \times C\)，這個就變成了一個全連接層的輸入啦
-
壓縮Squeeze：先放到第一個全連接層裏面，輸入\(C\)個元素，輸出\(\frac{C}{r}\),r是一個事先設置的參數；
-
激活Excitation：在接上一個全連接層，輸入是\(\frac{C}{r}\)個神經元，輸出是\(C\)個元素，實現激活的過程；
-
- 現在我們有了一個\(C\)個元素的經過了兩層全連接層的輸出，這個C個元素，剛好表示的是原來輸出特徵圖\(W \times H \times C\)中C個通道的一個權重值，所以我們讓C個通道上的像素值分別乘上全連接的C個輸出，這個步驟在圖中稱爲Scale。而這個調整過特徵圖每一個通道權重的特徵圖是SE-Resnet的輸出特徵圖，之後再考慮殘差接連的步驟。
在原文論文中還有另外一個結構圖，供大家參考：
2 參數量分析
每一個卷積層都增加了額外的兩個全連接層，不夠好在全連接層的參數非常小，所以直觀來看應該整體不會增加很多的計算量。 Resnet50的參數量爲25M的大小，增加了SE模塊，增加了2.5M的參數量，所以大概增加了10%左右，而且這2.5M的參數主要集中在final stage的se模塊，因爲在最後一個卷積模塊中，特徵圖擁有最大的通道數，所以這個final stage的參數量佔據了增加的2.5M參數的96%。
這裏放一個幾個網絡結構的對比：
3 PyTorch實現與解析
先上完整版的代碼，大家可以複製本地IDE跑一跑，如果代碼有什麼問題可以聯繫我：
import torch
import torch.nn as nn
import torch.nn.functional as F
class PreActBlock(nn.Module):
def __init__(self, in_planes, planes, stride=1):
super(PreActBlock, self).__init__()
self.bn1 = nn.BatchNorm2d(in_planes)
self.conv1 = nn.Conv2d(in_planes, planes, kernel_size=3, stride=stride, padding=1, bias=False)
self.bn2 = nn.BatchNorm2d(planes)
self.conv2 = nn.Conv2d(planes, planes, kernel_size=3, stride=1, padding=1, bias=False)
if stride != 1 or in_planes != planes:
self.shortcut = nn.Sequential(
nn.Conv2d(in_planes, planes, kernel_size=1, stride=stride, bias=False)
)
# SE layers
self.fc1 = nn.Conv2d(planes, planes//16, kernel_size=1)
self.fc2 = nn.Conv2d(planes//16, planes, kernel_size=1)
def forward(self, x):
out = F.relu(self.bn1(x))
shortcut = self.shortcut(out) if hasattr(self, 'shortcut') else x
out = self.conv1(out)
out = self.conv2(F.relu(self.bn2(out)))
# Squeeze
w = F.avg_pool2d(out, out.size(2))
w = F.relu(self.fc1(w))
w = F.sigmoid(self.fc2(w))
# Excitation
out = out * w
out += shortcut
return out
class SENet(nn.Module):
def __init__(self, block, num_blocks, num_classes=10):
super(SENet, self).__init__()
self.in_planes = 64
self.conv1 = nn.Conv2d(3, 64, kernel_size=3, stride=1, padding=1, bias=False)
self.bn1 = nn.BatchNorm2d(64)
self.layer1 = self._make_layer(block, 64, num_blocks[0], stride=1)
self.layer2 = self._make_layer(block, 128, num_blocks[1], stride=2)
self.layer3 = self._make_layer(block, 256, num_blocks[2], stride=2)
self.layer4 = self._make_layer(block, 512, num_blocks[3], stride=2)
self.linear = nn.Linear(512, num_classes)
def _make_layer(self, block, planes, num_blocks, stride):
strides = [stride] + [1]*(num_blocks-1)
layers = []
for stride in strides:
layers.append(block(self.in_planes, planes, stride))
self.in_planes = planes
return nn.Sequential(*layers)
def forward(self, x):
out = F.relu(self.bn1(self.conv1(x)))
out = self.layer1(out)
out = self.layer2(out)
out = self.layer3(out)
out = self.layer4(out)
out = F.avg_pool2d(out, 4)
out = out.view(out.size(0), -1)
out = self.linear(out)
return out
def SENet18():
return SENet(PreActBlock, [2,2,2,2])
net = SENet18()
y = net(torch.randn(1,3,32,32))
print(y.size())
print(net)
輸出和註解我都整理了一下：
