利用Inception模块搭建网络

2024-9-27 09:18| 发布者: 浅生| 查看: 65181| 评论: 0

摘要: 1 问题（1）Inception详解（2）利用Inception模块搭建网络2 方法什么是InceptionInception模块是深度卷积神经网络中的一种特殊结构，它是由Google的Christian Szegedy等人提出的。Inception模块的设计目的是解决深度 ...

1 问题

（1）Inception详解

（2）利用Inception模块搭建网络

2 方法

什么是Inception
Inception模块是深度卷积神经网络中的一种特殊结构，它是由Google的Christian Szegedy等人提出的。Inception模块的设计目的是解决深度神经网络计算量过大、参数过多以及容易过拟合等问题。
Inception模块采用了多种尺寸的卷积核来同时进行卷积运算，这些卷积核包括11、33、5*5等。这种设计可以减少模型的参数数量，同时降低计算复杂度。此外，Inception模块还使用了批量归一化（Batch Normalization）技术，进一步提高了模型的训练速度和稳定性。
Inception模块中的每个卷积层并不是简单的全连接层，而是先进行一次普通的卷积运算，然后通过激活函数进行非线性转换，再对输出的特征图进行归一化处理。这样可以增加模型的非线性表达能力，同时避免梯度消失的问题。
在Inception模块中，不同尺寸的卷积核之间没有固定的连接关系，而是根据实际需要来调整。这种设计灵活性很高，可以根据不同的任务和数据集来进行调整和优化。
Pytorch搭建Inception

import torch
from torch import nn
class inceptionBlock(nn.Module):
def __init__(self):
super().__init__()
self.conv1=nn.Conv2d(
in_channels=1, #模块的第一个卷积的输入通道数
out_channels=16,
kernel_size=1,
stride=2
#padding=1 #特征图大小不改变
)
self.relu1=nn.ReLU()
self.conv2=nn.Conv2d(
in_channels=16,
out_channels=128,
kernel_size=1,
#stride=1
#padding=1
)
self.relu2=nn.ReLU()
self.conv3=nn.Conv2d(
in_channels=128,
out_channels=256,
kernel_size=1,
stride=2
)
self.relu3=nn.ReLU()
# self.conv4=nn.Conv2d(
# in_channels=256,
# out_channels=256,
# kernel_size=1,
# stride=7
# )
self.b4=nn.Sequential(
nn.MaxPool2d( #池化操作不改变特征图大小
kernel_size=3,
padding=1,
stride=7,
),
nn.Conv2d(
in_channels=256, #池化不改变特征图通道数
out_channels=256,
kernel_size=1,
)
)
self.relu4=nn.ReLU()
self.flatten=nn.Flatten()
self.fc1=nn.Linear(
in_features=256,
out_features=10,
)
def forward(self,x):
x=self.conv1(x)
x=self.relu1(x)
x=self.conv2(x)
x=self.relu2(x)
x=self.conv3(x)
x=self.relu3(x)
# x=self.conv4(x)
x=self.b4(x)
x=self.relu4(x)
x=self.flatten(x)
x=self.fc1(x)
return x
if __name__ == '__main__':
x = torch.rand(size=(1, 1, 28, 28))
block = inceptionBlock()
out = block(x)
print(out.shape)

3 结语

通过本次探究Inception搭建网络得知Inception模块是一种非常有效的深度神经网络结构，它通过多种技术和设计来提高模型的性能和稳定性，同时减少模型的参数数量和计算复杂度。

上一篇：使用PT实现搭建帧中继网络
下一篇：全省首个!马关县搭建农村产权交易网络平台