【TensorFlow】经典卷积神经网络(InceptionNet,ResNet)
1.InceptionNet
InceptionNet诞生于2014年，是当年ImageNet竞赛的冠军，Top5错误率减小到6.67% InceptionNet引入了Inception结构块，在同一层网络内，使用不同尺寸的卷积核，提升了模型感知力，使用了批标准化缓解了梯度消失。
下图为Inception结构块示意图，输入经过不同的卷积操作最后得到尺寸相同的特征数据，输出到卷积连接器，卷积连接器会按照深度方向将四个输出进行拼接，形成Inception结构块的输出。
代码思想：
- 由于输出Inception结构块需要经过CBA操作(Convolution,BatchNormalization,Activation)，因此将这三个操作封装为一个新的类ConvBNRelu,每两个结构块形成一个block，第一个block设置步长为2，这使得第一个输出特征图尺寸减半，因此要将输出特征图深度加深，尽可能保证特征抽取中信息的承载量一致。
代码如下：
class ConvBNRelu(Model): # CBA封装成类
def __init__(self, ch, kernelsz=3, strides=1, padding='same'): # 设置卷积核边长默认为3(正方形)，步长为1，全零填充，ch是输出深度，也就是卷积核个数
super(ConvBNRelu, self).__init__()
self.model = tf.keras.models.Sequential([
Conv2D(ch, kernelsz, strides=strides, padding=padding), # 卷积核边长
BatchNormalization(),
Activation('relu')
])
def call(self, x):
x = self.model(x, training=False) #在training=False时，BN通过整个训练集计算均值、方差去做批归一化，training=True时，通过当前batch的均值、方差去做批归一化。推理时 training=False效果好
return x
class InceptionBlk(Model):
def __init__(self, ch, strides=1):
super(InceptionBlk, self).__init__()
self.ch = ch
self.strides = strides
self.c1 = ConvBNRelu(ch, kernelsz=1, strides=strides)
self.c2_1 = ConvBNRelu(ch, kernelsz=1, strides=strides)
self.c2_2 = ConvBNRelu(ch, kernelsz=3, strides=1)
self.c3_1 = ConvBNRelu(ch, kernelsz=1, strides=strides)
self.c3_2 = ConvBNRelu(ch, kernelsz=5, strides=1)
self.p4_1 = MaxPool2D(3, strides=1, padding='same')
self.c4_2 = ConvBNRelu(ch, kernelsz=1, strides=strides)
def call(self, x):
x1 = self.c1(x)
x2_1 = self.c2_1(x)
x2_2 = self.c2_2(x2_1)
x3_1 = self.c3_1(x)
x3_2 = self.c3_2(x3_1)
x4_1 = self.p4_1(x)
x4_2 = self.c4_2(x4_1)
# concat along axis=channel
x = tf.concat([x1, x2_2, x3_2, x4_2], axis=3)
return x
class Inception10(Model):
def __init__(self, num_blocks, num_classes, init_ch=16, **kwargs): # 默认输出深度inin_ch是16
super(Inception10, self).__init__(**kwargs)
self.in_channels = init_ch
self.out_channels = init_ch
self.num_blocks = num_blocks
self.init_ch = init_ch
self.c1 = ConvBNRelu(init_ch)
self.blocks = tf.keras.models.Sequential()
for block_id in range(num_blocks): # Inception块，实例中输入是2块
for layer_id in range(2):
if layer_id == 0: # block_0
block = InceptionBlk(self.out_channels, strides=2)
else: # block_1
block = InceptionBlk(self.out_channels, strides=1)
self.blocks.add(block)
# enlarger out_channels per block
self.out_channels *= 2 # 把输出特征图深度加深，尽量保证特征抽取中信息的承载量一致
self.p1 = GlobalAveragePooling2D()
self.f1 = Dense(num_classes, activation='softmax')
def call(self, x):
x = self.c1(x)
x = self.blocks(x)
x = self.p1(x)
y = self.f1(x)
return y
model = Inception10(num_blocks=2, num_classes=10)
2.ResNet
ResNet诞生于2015年，是当年的ImageNet竞赛的冠军，Top5错误率为3.57%。ResNet提出了层间残差跳连，引入了前方信息，缓解梯度消失，使神经网络层数增加成为可能。
| 模型名称 | 网络层数 |
|---|---|
| LeNet | 5 |
| AlexNet | 8 |
| VGGNet | 16 / 19 |
| InceptionNet | 22 |
ResNet由8个ResNet块组成，输出过一个平均池化，再过一个全连接层。虚线连接的是维度不同的ResNet块(堆叠卷积前后维度不同)，实线连接的是维度相同的ResNet块(堆叠卷积前后维度相同)。每一个ResNet块由两层卷积组成，一共是18层网络(平均池化归入卷积中)。
ResNet示意图如下：
代码思想：
如果堆叠卷积层前后维度不同，residual_path = 1, 调用如下代码：
使用1*1卷积操作，调整输入特征图inputs的尺寸或深度后将堆叠卷积输出特征y和if语句计算出的residual相加，过激活，输出。如果堆叠卷积层前后维度相同，直接将堆叠卷积输出特征y和输入特征图inputs相加，过激活，输出。
代码如下：
class ResnetBlock(Model):
def __init__(self, filters, strides=1, residual_path=False):
super(ResnetBlock, self).__init__()
self.filters = filters
self.strides = strides
self.residual_path = residual_path
self.c1 = Conv2D(filters, (3, 3), strides=strides, padding='same', use_bias=False)
self.b1 = BatchNormalization()
self.a1 = Activation('relu')
self.c2 = Conv2D(filters, (3, 3), strides=1, padding='same', use_bias=False)
self.b2 = BatchNormalization()
# residual_path为True时，对输入进行下采样，即用1x1的卷积核做卷积操作，保证x能和F(x)维度相同，顺利相加，True是虚线，False是实线
if residual_path:
self.down_c1 = Conv2D(filters, (1, 1), strides=strides, padding='same', use_bias=False)
self.down_b1 = BatchNormalization()
self.a2 = Activation('relu')
def call(self, inputs):
residual = inputs # residual等于输入值本身，即residual=x
# 将输入通过卷积、BN层、激活层，计算F(x)
x = self.c1(inputs)
x = self.b1(x)
x = self.a1(x)
x = self.c2(x)
y = self.b2(x)
if self.residual_path:
residual = self.down_c1(inputs)
residual = self.down_b1(residual)
out = self.a2(y + residual) # 最后输出的是两部分的和，即F(x)+x或F(x)+Wx,再过激活函数
return out
class ResNet18(Model):
def __init__(self, block_list, initial_filters=64): # block_list表示每个block有几个卷积层
super(ResNet18, self).__init__()
self.num_blocks = len(block_list) # 共有几个block
self.block_list = block_list
self.out_filters = initial_filters
self.c1 = Conv2D(self.out_filters, (3, 3), strides=1, padding='same', use_bias=False)
self.b1 = BatchNormalization()
self.a1 = Activation('relu')
self.blocks = tf.keras.models.Sequential()
# 构建ResNet网络结构
for block_id in range(len(block_list)): # 第几个ResNet block
for layer_id in range(block_list[block_id]): # 第几个卷积层
if block_id != 0 and layer_id == 0: # 对除第一个block以外的每个block的输入进行下采样
block = ResnetBlock(self.out_filters, strides=2, residual_path=True)
else:
block = ResnetBlock(self.out_filters, residual_path=False)
self.blocks.add(block) # 将构建好的block加入resnet
self.out_filters *= 2 # 下一个block的卷积核数是上一个block的2倍
self.p1 = tf.keras.layers.GlobalAveragePooling2D()
self.f1 = tf.keras.layers.Dense(10, activation='softmax', kernel_regularizer=tf.keras.regularizers.l2())
def call(self, inputs):
x = self.c1(inputs)
x = self.b1(x)
x = self.a1(x)
x = self.blocks(x)
x = self.p1(x)
y = self.f1(x)
return y
model = ResNet18([2, 2, 2, 2])
总结
此图片出自【北京大学】Tensorflow2.0 B站课程第41节。
继续学习，加油！