神经网络输入x,神经互连网输入x

ResNet(Residual Neural Network),微软研商院 Kaiming
He等4名中华人民共和国人提议。通过Residual Unit陶冶152层深神经互联网,ILSVRC
二〇一六比赛亚军,3.58%top-5错误率,参数量比VGGNet低,效果极度杰出。ResNet结构,相当慢加快超深神经互连网陶冶,模型准确率十分大提高。Inception
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名夏族提议。通过Residual Unit陶冶152层深神经互联网,ILSVRC
二〇一五比赛亚军,3.四分三top-5错误率,参数量比VGGNet低,效果十二分特出。ResNet结构,异常快加快超深神经互连网陶冶,模型准确率比相当大提高。英斯ption
V4,英斯ption Module、ResNet结合。ResNet推广性好。

瑞十教师Schmidhuber(LSTM网络发明者,1997年)提议Highway
Network。消除极深神经网络难练习难点。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调换周到,C保留周全,令C=1-T。前边一层新闻,一定比例不经过矩阵乘法和非线性别变化换,间接传输下一层。Highway
Network,gating
units学习决定网络音信流,学习原始音讯应封存比例。gating机制,Schmidhuber教师早年LSTM循环神经网络gating。几百上千层深Highway
Network,直接梯度下跌算法陶冶,合营种种非线性激活函数,学习极深神经网络。Highway
Network允许演习任性深度网络,优化措施与互联网深度独立。

ResNet
允许原始输入音信直接传输到后层。Degradation难题,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。神经互连网输入x,期望输出H(x),输入x直接传到输出作开首结果,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,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。直接将输入新闻绕道传到输出,保护消息完整性,整个互联网只学习输入、输出差别,简化学习目的、难度。

两层残新式学习单元包蕴八个一律输出通道数3×3卷积。三层残差网络用Network
In Network和英斯ption Net
1×1卷积。在中间3×3卷积前后都用1×1卷积,先降维再升维。若是输入输出维度差异,对输入x线性映射调换维度,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,化解层数不断加重练习集相对误差增大现象。ResNet互联网磨练固有误差随层数增大渐渐减小,测量试验集表现变好。Google借鉴ResNet,提议英斯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,前馈音讯和报告功率信号可直接传输。skip
connection 非线性激活函数,替换Identity
Mappings(y=x)。ResNet每层都用Batch Normalization。

施密德huber助教,ResNet,未有gates
LSTM互联网,输入x传递到后层进程一向产生。ResNet等价QX56NN,ResNet类似多层互连网间集成方法(ensemble)。

《The Power of Depth for Feedforward Neural
Networks》,理论证明加深网络比加宽网络更使得。

Tensorflow落成ResNet。contrib.slim库,原生collections。collections.namedtuple设计ResNet基本Block模块组named
tuple,创立Block类,独有数据结构,未有具体方法。规范Block,多个参数,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。前边三个成分(256,
64, 1),第安慕希素(256, 64,
2),种种成分都是安慕希tuple(depth,depth_bottleneck,stride)。(256, 64,
3)代表bottleneck残差学习单元(四个卷积层),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,不做修改直接回到inputsx,不为1,用slim.max_pool2d最大池化实现。1×1池化尺寸,stride步长,完成降采集样品。

定义conv2d_same函数创立卷积层,若是stride为1,用slim.conv2d,padding形式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为余下有些。tf.pad补零输入变量。已经zero
padding,只需padding情势VALID的slim.conv2d创建此卷积层。

概念堆积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,各个Block,每种Residual
Unit积聚。用八个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,顺序创立连接全部残差学习单元。slim.utils.collect_named_outputs函数,输出net增多到collection。全数Block全体Residual
Unit堆放完,再次来到最终net作stack_blocks_dense函数结果。

创建ResNet通用arg_scope,定义函数参数暗许值。定义磨练标识is_training暗许True,权重衰减速度weight_decay暗中认可0.001。BN衰减速率暗中同意0.997,BN
epsilon暗中认可1e-5,BN
scale暗许True。先安装好BN每一种参数,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格局暗中同意设SAME(杂谈中用VALID),特征对齐更简短。多层嵌套arg_scope作结果回到。

概念大旨bottleneck残差学习单元。ResNet V2随想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 诺玛lization,用ReLU函数预激活Preactivate。

定义shorcut,直连x,借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,确定保证空间尺寸和残差一致,残差中间层卷积步长stride;假如不雷同,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、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,结果增添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标记是或不是加最终一层全局平均池化,include_root_block标记是不是加ResNet互联网最前头7×7卷积、最大池化,reuse标记是还是不是重用,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标识,创造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。多个增长幅度2层,图片尺寸减弱为半数。用stack_blocks_dense生成残差学习模块组,依照标志加多全局平均池化层,用tf.reduce_mean完成全局平均池化,功能比直接avg_pool高。根据是还是不是有分类数,加多输出通道num_classes1x1卷积(无激活函数无正则项),加多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、池化把尺寸缩短4倍,前3个Blocks饱含步长2层,总尺寸缩短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,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创造互联网,time_tensorflow_run评测forward品质。耗费时间扩大一半,实用卷积神经网络布局,援助超深网络练习,实际工业使用forward品质不差。

参照他事他说加以考察资料:
《TensorFlow实践》

接待付费咨询(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),微软研讨院 Kaiming
He等4名中中原人民共和国人提出。通过Residual Unit训练152层深神经互连网,ILSV…

瑞十教师Schmidhuber(LSTM互连网发明者,一九九九年)建议Highway
Network。解决极深神经互联网难磨练难题。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转换周详,C保留周详,令C=1-T。前边一层音信,一定比例不经过矩阵乘法和非线性别变化换,直接传输下一层。Highway
Network,gating
units学习决定互联网消息流,学习原始信息应封存比例。gating机制,Schmidhuber教授早年LSTM循环神经互连网gating。几百上千层深Highway
Network,直接梯度下跌算法磨练,同盟种种非线性激活函数,学习极深神经网络。Highway
Network允许陶冶大肆深度互联网,优化措施与网络深度独立。

ResNet
允许原始输入音讯平昔传输到后层。Degradation难点,不断深化神经互联网深度,正确率先回涨到达饱和,再下滑。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,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。间接将输入音讯绕道传到输出,珍视消息完整性,整个网络只学习输入、输出差异,简化学习指标、难度。

两层残新式学习单元满含多个一律输出通道数3×3卷积。三层残差互连网用Network
In Network和英斯ption Net
1×1卷积。在中游3×3卷积前后都用1×1卷积,先降维再升维。如若输入输出维度差别,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,消除层数不断加重陶冶集固有误差增大现象。ResNet互连网练习绝对误差随层数增大渐渐减小,测验集表现变好。谷歌借鉴ResNet,提议英斯ption
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,前馈音讯和上报复信号可一贯传输。skip
connection 非线性激活函数,替换Identity
Mappings(y=x)。ResNet每层都用Batch 诺玛lization。

Schmidhuber教授,ResNet,未有gates
LSTM网络,输入x传递到后层进程一向爆发。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》,理论表明加深互连网比加宽网络更管用。

Tensorflow完毕ResNet。contrib.slim库,原生collections。collections.namedtuple设计ResNet基本Block模块组named
tuple,成立Block类,唯有数据结构,未有具体方法。规范Block,七个参数,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,各个成分对应bottleneck残差学习单元。前边三个成分(256,
64, 1),第三因素(256, 64,
2),每一种成分都以安慕希tuple(depth,depth_bottleneck,stride)。(256, 64,
3)代表bottleneck残差学习单元(多少个卷积层),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,不做修改直接回到inputsx,不为1,用slim.max_pool2d最大池化达成。1×1池化尺寸,stride步长,实现降采集样品。

定义conv2d_same函数创设卷积层,假如stride为1,用slim.conv2d,padding格局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方式VALID的slim.conv2d创办此卷积层。

概念堆放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,每一个Residual
Unit堆放。用多个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,顺序创制连接全体残差学习单元。slim.utils.collect_named_outputs函数,输出net增加到collection。全数Block全体Residual
Unit积聚完,重临最终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。定义演练标志is_training暗许True,权重衰减速度weight_decay暗许0.001。BN衰减速率暗许0.997,BN
epsilon暗中同意1e-5,BN
scale暗中认可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,权重起始化器设slim.variance_scaling_initializer(),激活函数设ReLU,标准化器设BN。最大池化padding格局暗中同意设SAME(随想中用VALID),特征对齐更简便易行。多层嵌套arg_scope作结果重返。

概念宗旨bottleneck残差学习单元。ResNet V2杂谈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,如若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,确定保证空间尺寸和残差一致,残差中间层卷积步长stride;如若不相同样,用步长stride
1×1卷积改换通道数,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,结果加多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标识是不是加最终一层全局平均池化,include_root_block标记是不是加ResNet互连网最前方7×7卷积、最大池化,reuse标记是不是重用,scope整个互连网名称。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标识,创设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。多个增长幅度2层,图片尺寸缩短为58%。用stack_blocks_dense生成残差学习模块组,根据标志增多全局平均池化层,用tf.reduce_mean达成全局平均池化,效用比直接avg_pool高。依据是或不是有分类数,加多输出通道num_classes1x1卷积(无激活函数无正则项),增添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、池化把尺寸降低4倍,前3个Blocks包蕴步长2层,总尺寸降低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创制互联网,time_tensorflow_run评测forward品质。耗费时间扩展一半,实用卷积神经网络布局,扶助超深互联网磨练,实际工业应用forward质量不差。

参考资料:
《TensorFlow实战》

迎接付费咨询(150元每小时),作者的微信:qingxingfengzi