输入x直接传到输出作早先结果,神经网络输入x

ResNet(Residual Neural Network),微软讨论院 Kaiming
He等4名夏族指出。通过Residual Unit练习152层深神经网络,ILSVHavalC
2015较量亚军,3.57%
top-5错误率,参数量比VGGNet低,效果分外优异。ResNet结构,极快加快超深神经网络陶冶,模型准确率非常大提高。Inception
V4,Inception Module、ResNet结合。ResNet推广性好。

学习笔记TF033:达成ResNet,tf033resnet

ResNet(Residual Neural Network),微软商量院 Kaiming
He等4名中国人指出。通过Residual Unit陶冶152层深神经网络,ILSVRubiconC
2015较量亚军,3.57%
top-5错误率,参数量比VGGNet低,效果尤其良好。ResNet结构,极快加快超深神经网络陶冶,模型准确率卓殊大升高。Inception
V4,Inception Module、ResNet结合。ResNet推广性好。

瑞十教授Schmidhuber(LSTM互联网发明者,1997年)提议Highway
Network。化解极深神经互连网难训练难题。修改每层激活函数,以前激活函数只是对输入非线性变换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变换周密,C保留周详,令C=1-T。后边一层消息,一定比例不通过矩阵乘法和非线性变换,直接传输下一层。Highway
Network,gating
units学习决定互联网新闻流,学习原始音信应封存比例。gating机制,Schmidhuber教师早年LSTM循环神经互联网gating。几百上千层深Highway
Network,直接梯度降低算法训练,协作各样非线性激活函数,学习极深神经互联网。Highway
Network允许操练任意深度互联网,优化措施与互连网深度独立。

ResNet
允许原始输入音信平昔传输到后层。Degradation问题,不断加剧神经互连网深度,准确率先上涨达到饱和,再下落。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直接传到输出作开始结果,学习目的F(x)=H(x)-x。ResNet残差学习单元(Residual
Unit),不再念书共同体输出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。直接将输入新闻绕道传到输出,珍视消息完整性,整个互联网只学习输入、输出差距,简化学习目标、难度。

两层残新式学习单元包蕴五个相同输出通道数3×3卷积。三层残差互联网用Network
In Network和Inception Net
1×1卷积。在当中3×3卷积前后都用1×1卷积,先降维再升维。即使输入输出维度不一致,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,消除层数不断强化磨炼集误差增大现象。ResNet互联网陶冶误差随层数增大逐渐减小,测试集表现变好。Google借鉴ResNet,提议Inception
V4和Inception-ResNet-V2,ILSV悍马H2C错误率3.08%。《Identyty Mappings in Deep
Residual Networks》提出ResNet
V2。ResNet残差学习单元传播公式,前馈音信和申报信号可直接传输。skip
connection 非线性激活函数,替换Identity
Mappings(y=x)。ResNet每层都用Batch Normalization。

Schmidhuber助教,ResNet,没有gates
LSTM互连网,输入x传递到后层进度一向暴发。ResNet等价途乐NN,ResNet类似多层网络间集成方法(ensemble)。

《The Power of Depth for Feedforward Neural
Networks》,理论注明加深网络比加宽互连网更实用。

Tensorflow完成ResNet。contrib.slim库,原生collections。collections.namedtuple设计ResNet基本Block模块组named
tuple,创设Block类,唯有数据结构,没有具体方法。典型Block,八个参数,scope、unit_fn、args。
Block(‘block1’, bottleneck, [(256, 64, 1)] * 2 + [(256, 64,
2)]),block1是Block名称(或scope),bottleneck是ResNet
V2残差学习单元。最终参数是Block
args,args是列表,每一个成分对应bottleneck残差学习单元。后面八个成分(256,
64, 1),第三因素(256, 64,
2),各个成分都是长富tuple(depth,depth_bottleneck,stride)。(256, 64,
3)代表bottleneck残差学习单元(几个卷积层),第三层输出通道数depth
256,前两层输出通道数depth_bottleneck 64,中间层步长stride
3。残差学习单元结构[(1×1/s1,64),(3×3/s3,64),(1×1/s1,256)]。

降采样subsample方法,参数inputs(输入)、factor(采样因子)、scope。fator1,不做修改直接回到inputsx,不为1,用slim.max_pool2d最大池化已毕。1×1池化尺寸,stride步长,已毕降采样。

定义conv2d_same函数创立卷积层,假使stride为1,用slim.conv2d,padding格局SAME。stride不为1,显式pad
zero。pad zero总数kernel_size-1
pad_beg为pad//2,pad_end为余下局地。tf.pad补零输入变量。已经zero
padding,只需padding情势VALID的slim.conv2d开立此卷积层。

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,逐个Block,各个Residual
Unit堆叠。用三个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,顺序创立连接所有残差学习单元。slim.utils.collect_named_outputs函数,输出net添加到collection。所有Block所有Residual
Unit堆叠完,再次回到最终net作stack_blocks_dense函数结果。

创建ResNet通用arg_scope,定义函数参数暗许值。定义操练标记is_training私自认同True,权重衰减速度weight_decay暗中认同0.001。BN衰减速率暗许0.997,BN
epsilon专擅认同1e-5,BN
scale暗许True。先安装好BN各项参数,通过slim.arg_scope设置slim.conv2d暗中认同参数,权重正则器设L2正则,权重初步化器设slim.variance_scaling_initializer(),激活函数设ReLU,标准化器设BN。最大池化padding方式专断认同设SAME(诗歌中用VALID),特征对齐更简单。多层嵌套arg_scope作结果回到。

概念宗旨bottleneck残差学习单元。ResNet V2故事集Full Preactivation Residual
Unit 变种。每层前都用Batch
Normalization,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函数获取输入最终维度输出通道数,参数min_rank=4限定最少4个维度。slim.batch_norm
输入 Batch Normalization,用ReLU函数预激活Preactivate。

定义shorcut,直连x,假如残差单元输入通道数depth_in、输出通道数depth一致,用subsample,步长stride,inputs空间降采样,确保空间尺寸和残差一致,残差中间层卷积步长stride;如果差距,用步长stride
1×1卷积改变通道数,变一致。

定义residual(残差),3层,1×1尺码、步长1、出口通道数depth_bottleneck卷积,3×3尺寸、步长stride、输出通道数depth_bottleneck卷积,1×1尺寸、步长1、出口通道数depth卷积,得最后residual,最终层没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。

概念生成ResNet
V2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7×7卷积、最大池化,reuse标志是还是不是重用,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,创设ResNet最前面64出口通道步长2的7×7卷积,接步长2的3×3最大池化。五个增幅2层,图片尺寸裁减为1/4。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已毕全局平均池化,效用比直接avg_pool高。依据是不是有分类数,添加输出通道num_classes1x1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。最后回到net、end_points。

50层ResNet,4个残差学习Blocks,units数量为3、4、6、3,总层数(3+4+6+3)x3+2=50。残差学习模块前,卷积、池化把尺寸减少4倍,前3个Blocks包蕴步长2层,总尺寸缩短4×8=32倍。输入图片尺寸最终变224/32=7。ResNet不断用步长2层缩减尺寸,输出通道数持续加码,达到2048。

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224×224,batch size 32。is_training
FLAG设False。resnet_v2_152创造互联网,time_tensorflow_run评测forward品质。耗时增加50%,实用卷积神经互连网布局,援助超深互联网操练,实际工业应用forward质量不差。

参考资料:
《TensorFlow实践》

欢迎付费咨询(150元每小时),小编的微信: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),微软商量院 Kaiming
He等4名中国人提出。通过Residual Unit陶冶152层深神经网络,ILSV…

瑞十教授Schmidhuber(LSTM互联网发明者,1997年)提议Highway
Network。解决极深神经互连网难磨练难点。修改每层激活函数,以前激活函数只是对输入非线性变换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保留周全,令C=1-T。前边一层音讯,一定比例不经过矩阵乘法和非线性变换,间接传输下一层。Highway
Network,gating
units学习决定互联网音信流,学习原始新闻应封存比例。gating机制,Schmidhuber教师早年LSTM循环神经网络gating。几百上千层深Highway
Network,直接梯度下跌算法磨炼,合作种种非线性激活函数,学习极深神经互联网。Highway
Network允许磨炼任意深度互联网,优化措施与网络深度独立。

ResNet
允许原始输入音信直接传输到后层。Degradation难点,不断加重神经网络深度,准确率先回涨达到饱和,再下滑。ResNet灵感,用全等映射间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间接传到输出作开首结果,学习目标F(x)=H(x)-x。ResNet残差学习单元(Residual
Unit),不再念书共同体输出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,爱慕音信完整性,整个互连网只学习输入、输出差距,简化学习目标、难度。

两层残新式学习单元包罗几个一律输出通道数3×3卷积。三层残差网络用Network
In Network和Inception Net
1×1卷积。在中游3×3卷积前后都用1×1卷积,先降维再升维。倘诺输入输出维度分化,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,化解层数不断加剧操练集误差增大现象。ResNet互联网磨炼误差随层数增大逐渐减小,测试集表现变好。谷歌借鉴ResNet,提出Inception
V4和Inception-ResNet-V2,ILSVGL450C错误率3.08%。《Identyty Mappings in Deep
Residual Networks》指出ResNet
V2。ResNet残差学习单元传播公式,前馈音信和反映信号可一向传输。skip
connection 非线性激活函数,替换Identity
Mappings(y=x)。ResNet每层都用Batch Normalization。

Schmidhuber助教,ResNet,没有gates
LSTM网络,输入x传递到后层进度一贯暴发。ResNet等价安德拉NN,ResNet类似多层互联网间集成方法(ensemble)。

《The Power of Depth for Feedforward Neural
Networks》,理论阐明加深互连网比加宽互联网更有效。

Tensorflow已毕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,没有具体方法。典型Block,多少个参数,scope、unit_fn、args。
Block(‘block1’, bottleneck, [(256, 64, 1)] * 2 + [(256, 64,
2)]),block1是Block名称(或scope),bottleneck是ResNet
V2残差学习单元。最终参数是Block
args,args是列表,每一种成分对应bottleneck残差学习单元。前面七个因素(256,
64, 1),第长富素(256, 64,
2),每一个成分都以安慕希tuple(depth,depth_bottleneck,stride)。(256, 64,
3)代表bottleneck残差学习单元(多个卷积层),第三层输出通道数depth
256,前两层输出通道数depth_bottleneck 64,中间层步长stride
3。残差学习单元结构[(1×1/s1,64),(3×3/s3,64),(1×1/s1,256)]。

降采样subsample方法,参数inputs(输入)、factor(采样因子)、scope。fator1,不做修改直接回到inputsx,不为1,用slim.max_pool2d最大池化完毕。1×1池化尺寸,stride步长,落成降采样。

定义conv2d_same函数创设卷积层,如果stride为1,用slim.conv2d,padding方式SAME。stride不为1,显式pad
zero。pad zero总数kernel_size-1
pad_beg为pad//2,pad_end为余下有些。tf.pad补零输入变量。已经zero
padding,只需padding方式VALID的slim.conv2d创造此卷积层。

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,各种Block,各种Residual
Unit堆叠。用三个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,顺序创制连接所有残差学习单元。slim.utils.collect_named_outputs函数,输出net添加到collection。所有Block所有Residual
Unit堆叠完,重回末了net作stack_blocks_dense函数结果。

创建ResNet通用arg_scope,定义函数参数暗许值。定义练习标记is_training私自认同True,权重衰减速度weight_decay暗中同意0.001。BN衰减速率暗中同意0.997,BN
epsilon暗许1e-5,BN
scale私自认同True。先安装好BN各项参数,通过slim.arg_scope设置slim.conv2d暗许参数,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情势暗许设SAME(故事集中用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 V2杂文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函数获取输入最终维度输出通道数,参数min_rank=4限定最少4个维度。slim.batch_norm
输入 Batch Normalization,用ReLU函数预激活Preactivate。

定义shorcut,直连x,要是残差单元输入通道数depth_in、输出通道数depth一致,用subsample,步长stride,inputs空间降采样,确保空间尺寸和残差一致,残差中间层卷积步长stride;如果不均等,用步长stride
1×1卷积改变通道数,变一致。

定义residual(残差),3层,1×1尺码、步长1、输出通道数depth_bottleneck卷积,3×3尺寸、步长stride、输出通道数depth_bottleneck卷积,1×1尺寸、步长1、输出通道数depth卷积,得最后residual,最终层没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,重临output函数结果。

概念生成ResNet
V2主函数。参数,inputs输入,blocks为Block类列表,num_classes最终输出类数,global_pool标志是还是不是加最终一层全局平均池化,include_root_block标志是或不是加ResNet互连网最前方7×7卷积、最大池化,reuse标志是还是不是重用,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,创制ResNet最前头64输出通道步长2的7×7卷积,接步长2的3×3最大池化。八个增幅2层,图片尺寸减弱为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达成全局平均池化,功能比直接avg_pool高。根据是或不是有分类数,添加输出通道num_classes1x1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。

50层ResNet,4个残差学习Blocks,units数量为3、4、6、3,总层数(3+4+6+3)x3+2=50。残差学习模块前,卷积、池化把尺寸收缩4倍,前3个Blocks包涵步长2层,总尺寸收缩4×8=32倍。输入图片尺寸最后变224/32=7。ResNet不断用步长2层缩减尺寸,输出通道数持续扩充,达到2048。

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224×224,batch size 32。is_training
FLAG设False。resnet_v2_152创办互联网,time_tensorflow_run评测forward品质。耗时伸张50%,实用卷积神经互联网布局,扶助超深网络练习,实际工业使用forward质量不差。

参考资料:
《TensorFlow实战》

迎接付费咨询(150元每时辰),我的微信:qingxingfengzi

相关文章