只学习输出输入差异H(x)-x,只学习输出输入差距H(x)-x

ResNet(Residual Neural Network),微软商讨院 Kaiming
He等4名华人提出。通过Residual Unit操练152层深神经网络,ILSVRC
2015竞赛季军,3.57%
top-5错误率,参数量比VGGNet低,效果格外出色。ResNet结构,极快加快超深神经网络训练,模型准确率万分大进步。Inception
V4,Inception Module、ResNet结合。ResNet推广性好。

ResNet(Residual Neural Network),微软切磋院 Kaiming
He等4名中国人提议。通过Residual Unit操练152层深神经网络,ILSVRC
2015较量亚军,3.57%
top-5错误率,参数量比VGGNet低,效果万分卓越。ResNet结构,极快加快超深神经网络陶冶,模型准确率格外大升高。Inception
V4,Inception Module、ResNet结合。ResNet推广性好。

瑞十助教Schmidhuber(LSTM网络发明者,1997年)提出Highway
Network。解决极深神经网络难陶冶问题。修改每层激活函数,在此之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变换周详,C保留周密,令C=1-T。前边一层新闻,一定比重不经过矩阵乘法和非线性变换,直接传输下一层。Highway
Network,gating
units学习决定网络新闻流,学习原始音讯应封存比例。gating机制,Schmidhuber助教早年LSTM循环神经网络gating。几百上千层深Highway
Network,直接梯度下落算法操练,协作多种非线性激活函数,学习极深神经网络。Highway
Network允许操练任意深度网络,优化措施与网络深度独立。

瑞十讲师Schmidhuber(LSTM网络发明者,1997年)提议Highway
Network。解决极深神经网络难操练问题。修改每层激活函数,从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变换周详,C保留周详,令C=1-T。前边一层新闻,一定比重不通过矩阵乘法和非线性变换,直接传输下一层。Highway
Network,gating
units学习决定网络信息流,学习原始音讯应封存比例。gating机制,Schmidhuber讲师早年LSTM循环神经网络gating。几百上千层深Highway
Network,直接梯度下落算法磨练,同盟多种非线性激活函数,学习极深神经网络。Highway
Network允许练习任意深度网络,优化措施与网络深度独立。

ResNet
允许原始输入新闻间接传输到后层。Degradation问题,不断强化神经网络深度,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
允许原始输入音信平素传输到后层。Degradation问题,不断深化神经网络深度,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直接传到输出作早先结果,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,输入间接连到后层,后层直接攻读残差,shortcut或connections。直接将输入新闻绕道传到输出,珍爱信息完整性,整个网络只学习输入、输出差距,简化学习目的、难度。

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,爱慕新闻完整性,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蕴五个一律输出通道数3×3卷积。三层残差网络用Network
In Network和Inception Net
1×1卷积。在中等3×3卷积前后都用1×1卷积,先降维再升维。假使输入输出维度不相同,对输入x线性映射变换维度,再接后层。

两层残新式学习单元包罗八个一律输出通道数3×3卷积。三层残差网络用Network
In Network和Inception Net
1×1卷积。在中等3×3卷积前后都用1×1卷积,先降维再升维。假若输入输出维度差距,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

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,消除层数不断加剧训练集误差增大现象。ResNet网络磨炼误差随层数增大渐渐减小,测试集表现变好。谷歌借鉴ResNet,提议Inception
V4和Inception-ResNet-V2,ILSVRC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,前馈信息和反馈信号可一向传输。skip
connection 非线性激活函数,替换Identity
Mappings(y=x)。ResNet每层都用Batch 诺玛lization。

ResNet结构,消除层数不断深化陶冶集误差增大现象。ResNet网络磨炼误差随层数增大慢慢减小,测试集表现变好。谷歌借鉴ResNet,指出Inception
V4和Inception-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,前馈新闻和反馈信号可直接传输。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网络,输入x传递到后层进度一直暴发。ResNet等价RNN,ResNet类似多层网络间集成方法(ensemble)。

Schmidhuber教师,ResNet,没有gates
LSTM网络,输入x传递到后层进程向来暴发。ResNet等价RNN,ResNet类似多层网络间集成方法(ensemble)。

《The Power of Depth for Feedforward Neural
Networks》,理论讲明加深网络比加宽网络更管用。

《The Power of Depth for Feedforward Neural
Networks》,理论评释加深网络比加宽网络更有效。

Tensorflow完毕ResNet。contrib.slim库,原生collections。collections.namedtuple设计ResNet基本Block模块组named
tuple,创造Block类,只有数据结构,没有具体方法。典型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,每个元素对应bottleneck残差学习单元。前面七个元素(256,
64, 1),第三因素(256, 64,
2),每个元素都是三元tuple(depth,depth_bottleneck,stride)。(256, 64,
3)代表bottleneck残差学习单元(七个卷积层),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)]。

Tensorflow完结ResNet。contrib.slim库,原生collections。collections.namedtuple设计ResNet基本Block模块组named
tuple,创立Block类,只有数据结构,没有具体方法。典型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,每个元素对应bottleneck残差学习单元。后面七个因素(256,
64, 1),第三要素(256, 64,
2),每个元素都是三元tuple(depth,depth_bottleneck,stride)。(256, 64,
3)代表bottleneck残差学习单元(七个卷积层),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最大池化落成。1×1池化尺寸,stride步长,已毕降采样。

降采样subsample方法,参数inputs(输入)、factor(采样因子)、scope。fator1,不做修改间接回到inputsx,不为1,用slim.max_pool2d最大池化落成。1×1池化尺寸,stride步长,完结降采样。

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

定义conv2d_same函数创立卷积层,要是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为余下部分。tf.pad补零输入变量。已经zero
padding,只需padding方式VALID的slim.conv2d创建此卷积层。

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,逐个Residual
Unit堆叠。用四个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,顺序创造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,再次来到最终net作stack_blocks_dense函数结果。

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,逐个Residual
Unit堆叠。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,顺序创设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,定义函数参数默许值。定义陶冶标记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默许1e-5,BN
scale默许True。先安装好BN各项参数,通过slim.arg_scope设置slim.conv2d默许参数,权重正则器设L2正则,权重伊始化器设slim.variance_scaling_initializer(),激活函数设ReLU,标准化器设BN。最大池化padding格局默许设SAME(随想中用VALID),特征对齐更简单。多层嵌套arg_scope作结果回到。

创建ResNet通用arg_scope,定义函数参数默许值。定义陶冶标记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默许1e-5,BN
scale默许True。先安装好BN各项参数,通过slim.arg_scope设置slim.conv2d默许参数,权重正则器设L2正则,权重开端化器设slim.variance_scaling_initializer(),激活函数设ReLU,标准化器设BN。最大池化padding方式默许设SAME(杂文中用VALID),特征对齐更简便。多层嵌套arg_scope作结果再次来到。

概念主旨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。

概念要旨bottleneck残差学习单元。ResNet V2随笔Full Preactivation Residual
Unit 变种。每层前都用Batch
诺玛(Norma)lization,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,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;假诺不等同,用步长stride
1×1卷积改变通道数,变一致。

定义shorcut,直连x,如果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;固然不等同,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,再次来到output函数结果。

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尺码、步长1、出口通道数depth卷积,得最终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标志是否加最终一层全局平均池化,include_root_block标志是否加ResNet网络最前头7×7卷积、最大池化,reuse标志是否重用,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,创造ResNet最前面64输出通道步长2的7×7卷积,接步长2的3×3最大池化。七个涨幅2层,图片尺寸裁减为1/4。用stack_blocks_dense生成残差学习模块组,依照标记添加全局平均池化层,用tf.reduce_mean完毕全局平均池化,效能比直接avg_pool高。按照是否有分类数,添加输出通道num_classes1x1卷积(无激活函数无正则项),添加Softmax层输出网络结果。用slim.utils.convert_to_dict
转化collection为Python dict。最后回来net、end_points。

概念生成ResNet
V2主函数。参数,inputs输入,blocks为Block类列表,num_classes最后输出类数,global_pool标志是否加最终一层全局平均池化,include_root_block标志是否加ResNet网络最前头7×7卷积、最大池化,reuse标志是否重用,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,成立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。几个涨幅2层,图片尺寸裁减为1/4。用stack_blocks_dense生成残差学习模块组,根据标记添加全局平均池化层,用tf.reduce_mean落成全局平均池化,功用比间接avg_pool高。依照是否有分类数,添加输出通道num_classes1x1卷积(无激活函数无正则项),添加Softmax层输出网络结果。用slim.utils.convert_to_dict
转化collection为Python dict。最终回来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、池化把尺寸缩短4倍,前3个Blocks包涵步长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,输出通道数持续增添,达到2048。

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、池化把尺寸缩短4倍,前3个Blocks包罗步长2层,总尺寸裁减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,输出通道数持续增多,达到2048。

152层ResNet,第二Block units数8,第三Block units数36。

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。

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性能。图片尺寸224×224,batch size 32。is_training
FLAG设False。resnet_v2_152创设网络,time_tensorflow_run评测forward性能。耗时增添50%,实用卷积神经网络布局,帮助超深网络陶冶,实际工业使用forward性能不差。

评测函数time_tensorflow_run测试152层ResNet
forward性能。图片尺寸224×224,batch size 32。is_training
FLAG设False。resnet_v2_152创立网络,time_tensorflow_run评测forward性能。耗时增添50%,实用卷积神经网络布局,协助超深网络锻炼,实际工业应用forward性能不差。

参考资料:
《TensorFlow实战》

参考资料:
《TensorFlow实战》

迎接付费咨询(150元每时辰),我的微信:qingxingfengzi

欢迎付费咨询(150元每时辰),我的微信:qingxingfengzi