读书笔记TF033lovebet爱博体育

ResNet(Residual Neural Network),微软钻探院 Kaiming
He等4名中夏族民共和国人提议。通过Residual Unit训练152层深神经网络,ILSVRC
二〇一六交锋季军,3.44%top-5错误率,参数量比VGGNet低,效果特别优秀。ResNet结构,非常快加快超深神经互联网磨练,模型准确率极大提高。英斯ption
V4,英斯ption Module、ResNet结合。ResNet推广性好。

学学笔记TF033:完毕ResNet,tf033resnet

ResNet(Residual Neural Network),微软研讨院 Kaiming
He等4名华夏族建议。通过Residual Unit磨练152层深神经网络,ILSVRC
2016交锋季军,3.三分之一top-5错误率,参数量比VGGNet低,效果拾分优异。ResNet结构,不慢加快超深神经网络演练,模型正确率相当大升高。英斯ption
V4,Inception Module、ResNet结合。ResNet推广性好。

瑞十教师Schmidhuber(LSTM互连网发明者,1999年)提议Highway
Network。消除极深神经网络难陶冶难点。修改每层激活函数,以前激活函数只是对输入非线性别变化换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转换周全,C保留周密,令C=1-T。后边一层消息,一定比重不通过矩阵乘法和非线性转变,直接传输下一层。Highway
Network,gating
units学习决定互连网音信流,学习原始消息应封存比例。gating机制,Schmidhuber助教早年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练,合营各个非线性激活函数,学习极深神经互连网。Highway
Network允许磨炼任性深度网络,优化措施与网络深度独立。

ResNet
允许原始输入音讯直接传输到后层。Degradation难题,不断加深神经网络深度,精确率先回升到达饱和,再下跌。ResNet灵感,用全等映射直接将前层输出传到后层。神经互连网输入x,期望输出H(x),输入x间接传到输出作开头结果,学习指标F(x)=H(x)-x。ResNet残差学习单元(Residual
Unit),不再念书欧洲经济共同体输出H(x),只学习输出输入差距H(x)-x,残差。

ResNet,比非常多旁路支线,输入直接连到后层,后层直接攻读残差,shortcut或connections。直接将输入音信绕道传到输出,珍视音信完整性,整个互连网只学习输入、输出差距,简化学习指标、难度。

两层残新式学习单元满含多个相同输出通道数3×3卷积。三层残差互连网用Network
In Network和英斯ption Net
1×1卷积。在中间3×3卷积前后都用1×1卷积,先降维再升维。假使输入输出维度分化,对输入x线性映射转变维度,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,化解层数不断深化演练集标称误差增大现象。ResNet网络磨炼抽样误差随层数增大渐渐减小,测验集展现变好。谷歌借鉴ResNet,建议英斯ption
V4和英斯ption-ResNet-V2,ILSVRC错误率3.08%。《Identyty Mappings in Deep
Residual Networks》建议ResNet
V2。ResNet残差学习单元传播公式,前馈新闻和反馈非功率信号可径直传输。skip
connection 非线性激活函数,替换Identity
Mappings(y=x)。ResNet每层都用Batch Normalization。

Schmidhuber教师,ResNet,未有gates
LSTM网络,输入x传递到后层进度平昔爆发。ResNet等价凯雷德NN,ResNet类似多层网络间集成方法(ensemble)。

《The Power of Depth for Feedforward Neural
Networks》,理论申明加深互连网比加宽互联网更实用。

Tensorflow达成ResNet。contrib.slim库,原生collections。collections.namedtuple设计ResNet基本Block模块组named
tuple,创立Block类,唯有数据结构,未有具体方法。规范Block,四个参数,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,每种成分对应bottleneck残差学习单元。后面三个要素(256,
64, 1),第长富素(256, 64,
2),每一个元素都以三元tuple(depth,depth_bottleneck,stride)。(256, 64,
3)代表bottleneck残差学习单元(三个卷积层),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)]。

降采集样品subsample方法,参数inputs(输入)、factor(采集样品因子)、scope。fator1,不做修改直接重临inputsx,不为1,用slim.max_pool2d最大池化实现。1×1池化尺寸,stride步长,达成降采集样品。

定义conv2d_same函数创设卷积层,假若stride为1,用slim.conv2d,padding情势SAME。stride不为1,显式pad
zero。pad zero总的数量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形式VALID的slim.conv2d创办此卷积层。

概念堆成堆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,每个Block,各种Residual
Unit堆放。用两个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,顺序成立连接全数残差学习单元。slim.utils.collect_named_outputs函数,输出net加多到collection。全体Block全部Residual
Unit聚积完,再次来到最终net作stack_blocks_dense函数结果。

创建ResNet通用arg_scope,定义函数参数暗中同意值。定义磨炼标志is_training私下认可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私下认可True。先安装好BN每一种参数,通过slim.arg_scope设置slim.conv2d暗许参数,权重正则器设L2正则,权重开头化器设slim.variance_scaling_initializer(),激活函数设ReLU,标准化器设BN。最大池化padding方式暗许设SAME(杂文中用VALID),特征对齐更简明。多层嵌套arg_scope作结果回到。

概念主题bottleneck残差学习单元。ResNet V2散文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管理。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,即使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空间降采集样品,确定保障空间尺寸和残差一致,残差中间层卷积步长stride;若是差别样,用步长stride
1×1卷积更动通道数,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、输出通道数depth卷积,得最终residual,最终层未有正则项尚未激活函数。residual、shorcut相加,得最终结果output,用slim.utils.collect_named_outputs,结果增加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标识是或不是加最后一层全局平均池化,include_root_block标记是否加ResNet网络最终边7×7卷积、最大池化,reuse标记是或不是重用,scope整个互联网名称。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标志,创造ResNet最前边64输出通道步长2的7×7卷积,接步长2的3×3最大池化。七个增长幅度2层,图片尺寸减弱为56%。用stack_blocks_dense生成残差学习模块组,遵照标志增多全局平均池化层,用tf.reduce_mean完结全局平均池化,功用比直接avg_pool高。依照是不是有分类数,增多输出通道num_classes1x1卷积(无激活函数无正则项),增加Softmax层输出网络结果。用slim.utils.convert_to_dict
转化collection为Python dict。最后回来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、池化把尺寸裁减4倍,前3个Blocks包括步长2层,总尺寸减弱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测量试验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质量。耗费时间扩张四分之二,实用卷积神经互联网布局,援救超深互联网陶冶,实际工业使用forward品质不差。

参谋资料:
《TensorFlow实践》

招待付费咨询(150元每小时),笔者的微信: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),微软商讨院 Kaiming
He等4名华夏族建议。通过Residual Unit磨练152层深神经网络,ILSV…

瑞十教师Schmidhuber(LSTM互连网发明者,1996年)提出Highway
Network。消除极深神经网络难练习难点。修改每层激活函数,从前激活函数只是对输入非线性别变化换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转变周到,C保留周密,令C=1-T。前面一层音信,一定比重不通过矩阵乘法和非线性别变化换,直接传输下一层。Highway
Network,gating
units学习决定互联网新闻流,学习原始消息应封存比例。gating机制,Schmidhuber教师早年LSTM循环神经网络gating。几百上千层深Highway
Network,间接梯度下落算法练习,同盟四种非线性激活函数,学习极深神经网络。Highway
Network允许锻练大肆深度互连网,优化措施与互连网深度独立。

ResNet
允许原始输入消息素来传输到后层。Degradation难点,不断深化神经网络深度,正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。神经互联网输入x,期望输出H(x),输入x直接传到输出作开端结果,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),只学习输出输入差别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。直接将输入消息绕道传到输出,爱护消息完整性,整个网络只学习输入、输出差异,简化学习目的、难度。

两层残新式学习单元包含四个一律输出通道数3×3卷积。三层残差网络用Network
In Network和英斯ption Net
1×1卷积。在中等3×3卷积前后都用1×1卷积,先降维再升维。假诺输入输出维度差别,对输入x线性映射转换维度,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,化解层数不断加重磨炼集标称误差增大现象。ResNet网络磨练误差随层数增大慢慢减小,测量试验集表现变好。谷歌(Google)借鉴ResNet,提出Inception
V4和英斯ption-ResNet-V2,ILSVRC错误率3.08%。《Identyty Mappings in Deep
Residual Networks》提议ResNet
V2。ResNet残差学习单元传播公式,前馈音讯和反映复信号可直接传输。skip
connection 非线性激活函数,替换Identity
Mappings(y=x)。ResNet每层都用Batch Normalization。

Schmidhuber教师,ResNet,未有gates
LSTM互连网,输入x传递到后层进程一贯爆发。ResNet等价OdysseyNN,ResNet类似多层互连网间集成方法(ensemble)。

《The Power of Depth for Feedforward Neural
Networks》,理论证明加深互连网比加宽互连网更管用。

Tensorflow完成ResNet。contrib.slim库,原生collections。collections.namedtuple设计ResNet基本Block模块组named
tuple,创制Block类,唯有数据结构,未有具体方法。规范Block,四个参数,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。最后参数是Block
args,args是列表,每一种成分对应bottleneck残差学习单元。前边八个因素(256,
64, 1),第三要素(256, 64,
2),各个元素都以伊利tuple(depth,depth_bottleneck,stride)。(256, 64,
3)代表bottleneck残差学习单元(三个卷积层),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,不做修改直接再次来到inputsx,不为1,用slim.max_pool2d最大池化完结。1×1池化尺寸,stride步长,达成降采集样品。

定义conv2d_same函数创制卷积层,假设stride为1,用slim.conv2d,padding形式SAME。stride不为1,显式pad
zero。pad zero总量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。

lovebet爱博体育,概念积聚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,每一个Block,每种Residual
Unit积聚。用多少个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,顺序成立连接全部残差学习单元。slim.utils.collect_named_outputs函数,输出net增加到collection。全数Block全部Residual
Unit堆成堆完,再次回到最终net作stack_blocks_dense函数结果。

创建ResNet通用arg_scope,定义函数参数暗中认可值。定义操练标识is_training默许True,权重衰减速度weight_decay默许0.001。BN衰减速率默许0.997,BN
epsilon暗中同意1e-5,BN
scale暗中认可True。先安装好BN各种参数,通过slim.arg_scope设置slim.conv2d默许参数,权重正则器设L2正则,权重早先化器设slim.variance_scaling_initializer(),激活函数设ReLU,标准化器设BN。最大池化padding情势默许设SAME(杂谈中用VALID),特征对齐更简便易行。多层嵌套arg_scope作结果再次来到。

概念宗旨bottleneck残差学习单元。ResNet V2散文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管理。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函数获取输入最后维度输出通道数,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空间降采集样品,确认保证空间尺寸和残差一致,残差中间层卷积步长stride;假设不平等,用步长stride
1×1卷积更改通道数,变一致。

定义residual(残差),3层,1×1尺寸、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尺码、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,得最终结果output,用slim.utils.collect_named_outputs,结果增多collection,再次回到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标识是还是不是加最终一层全局平均池化,include_root_block标识是不是加ResNet网络最前边7×7卷积、最大池化,reuse标记是不是重用,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标志,创设ResNet最前方64出口通道步长2的7×7卷积,接步长2的3×3最大池化。七个升幅2层,图片尺寸减弱为25%。用stack_blocks_dense生成残差学习模块组,依据标识增添全局平均池化层,用tf.reduce_mean完毕全局平均池化,功效比直接avg_pool高。依据是或不是有分类数,增添输出通道num_classes1x1卷积(无激活函数无正则项),增加Softmax层输出网络结果。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、池化把尺寸裁减4倍,前3个Blocks包涵步长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,到达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测量检验152层ResNet
forward品质。图片尺寸224×224,batch size 32。is_training
FLAG设False。resnet_v2_152开立互连网,time_tensorflow_run评测forward质量。耗费时间扩充八分之四,实用卷积神经互联网布局,帮衬超深互连网陶冶,实际工业应用forward品质不差。

参谋资料:
《TensorFlow实战》

招待付费咨询(150元每小时),作者的微信:qingxingfengzi

相关文章