PyTorch教程8.8之設(shè)計卷積網(wǎng)絡(luò)架構(gòu)

過去的部分帶我們參觀了計算機視覺的現(xiàn)代網(wǎng)絡(luò)設(shè)計。我們涵蓋的所有工作的共同點是它嚴(yán)重依賴科學(xué)家的直覺。許多架構(gòu)在很大程度上受到了人類創(chuàng)造力的啟發(fā)，而在很大程度上受到了對深度網(wǎng)絡(luò)提供的設(shè)計空間的系統(tǒng)探索的影響。盡管如此，這種網(wǎng)絡(luò)工程方法已經(jīng)取得了巨大的成功。

由于 AlexNet（第 8.1 節(jié)）在 ImageNet 上擊敗了傳統(tǒng)的計算機視覺模型，因此通過堆疊卷積塊構(gòu)建非常深的網(wǎng)絡(luò)變得很流行，所有這些都是由相同的模式設(shè)計的。尤其，3×3卷積由 VGG 網(wǎng)絡(luò)（第 8.2 節(jié)）推廣。NiN（第 8.3 節(jié)）表明即使1×1通過添加局部非線性，卷積可能是有益的。此外，NiN 通過跨所有位置的聚合解決了在網(wǎng)絡(luò)頭部聚合信息的問題。GoogLeNet（8.4節(jié)）在其Inception block中加入了多個不同卷積寬度的分支，結(jié)合了VGG和NiN的優(yōu)點。ResNets（第 8.6 節(jié)）改變了對身份映射的歸納偏差（來自f(x)=0). 這允許非常深的網(wǎng)絡(luò)。將近十年后，ResNet 設(shè)計仍然流行，證明了它的設(shè)計。最后，ResNeXt（第 8.6.5 節(jié)）添加了分組卷積，在參數(shù)和計算之間提供了更好的權(quán)衡。擠壓和激發(fā)網(wǎng)絡(luò) (SENets) 是用于視覺的變形金剛的前身，可實現(xiàn)位置之間的高效信息傳輸 （Hu等人，2018 年）。他們通過計算每個通道的全局注意力函數(shù)來實現(xiàn)這一點。

到目前為止，我們省略了通過神經(jīng)架構(gòu)搜索 (NAS)獲得的網(wǎng)絡(luò)（Liu等人，2018 年，Zoph 和 Le，2016 年）。我們之所以選擇這樣做，是因為它們的成本通常很高，依賴于蠻力搜索、遺傳算法、強化學(xué)習(xí)或某種其他形式的超參數(shù)優(yōu)化。給定一個固定的搜索空間，NAS 使用搜索策略根據(jù)返回的性能估計自動選擇架構(gòu)。NAS 的結(jié)果是單個網(wǎng)絡(luò)實例。EfficientNets 是這次搜索的顯著成果 （Tan 和 Le，2019 年）。

下面我們討論一個與尋求單一最佳網(wǎng)絡(luò)完全不同的想法。它在計算上相對便宜，它會在途中產(chǎn)生科學(xué)見解，并且在結(jié)果質(zhì)量方面非常有效。讓我們回顧一下Radosavovic等人的策略。( 2020 )設(shè)計網(wǎng)絡(luò)設(shè)計空間。該策略結(jié)合了手動設(shè)計和 NAS 的優(yōu)勢。它通過對網(wǎng)絡(luò)分布進行操作 并以某種方式優(yōu)化分布以獲得整個網(wǎng)絡(luò)系列的良好性能來實現(xiàn)這一點。它的結(jié)果是RegNets，特別是 RegNetX 和 RegNetY，以及一系列用于設(shè)計高性能 CNN 的指導(dǎo)原則。

import torch
from torch import nn
from torch.nn import functional as F
from d2l import torch as d2l

from mxnet import init, np, npx
from mxnet.gluon import nn
from d2l import mxnet as d2l

npx.set_np()

from flax import linen as nn
from d2l import jax as d2l

import tensorflow as tf
from d2l import tensorflow as d2l

8.8.1. AnyNet 設(shè)計空間

下面的描述緊跟Radosavovic等人的推理 。( 2020 )加上一些縮寫以使其符合本書的范圍。首先，我們需要一個供網(wǎng)絡(luò)系列探索的模板。本章設(shè)計的共同點之一是網(wǎng)絡(luò)由主干、主體 和頭部組成。. stem 執(zhí)行初始圖像處理，通常通過具有較大窗口大小的卷積。主體由多個塊組成，執(zhí)行從原始圖像到對象表示所需的大量轉(zhuǎn)換。最后，頭部將其轉(zhuǎn)換為所需的輸出，例如通過用于多類分類的 softmax 回歸器。反過來，身體由多個階段組成，以降低的分辨率對圖像進行操作。事實上，主干和每個后續(xù)階段都占空間分辨率的四分之一。最后，每個階段由一個或多個塊組成。這種模式對所有網(wǎng)絡(luò)都很常見，從 VGG 到 ResNeXt。事實上，對于通用 AnyNet 網(wǎng)絡(luò)的設(shè)計， Radosavovic等人。( 2020 )使用了 ResNeXt 塊圖 8.6.5。

圖 8.8.1 AnyNet 設(shè)計空間。號碼(c,r)沿每個箭頭指示通道數(shù)c和決議 r×r當(dāng)時的圖像。從左到右：由主干、主體和頭部組成的通用網(wǎng)絡(luò)結(jié)構(gòu)；身體由四個階段組成；階段的詳細結(jié)構(gòu)；塊的兩種替代結(jié)構(gòu)，一種沒有下采樣，另一種將每個維度的分辨率減半。設(shè)計選擇包括深度di, 輸出通道數(shù)ci, 組數(shù)gi和瓶頸比ki對于任何階段i.

讓我們詳細回顧一下圖 8.8.1中概述的結(jié)構(gòu)。如前所述，AnyNet 由主干、主體和頭部組成。詞干將 RGB 圖像（3 通道）作為輸入，使用 3×3與 stride 的卷積2，然后是批量規(guī)范，將分辨率減半r×r到 r/2×r/2. 此外，它生成c0作為身體輸入的通道。

由于該網(wǎng)絡(luò)旨在與形狀的 ImageNet 圖像配合使用 224×224×3，身體用于將其減少到 7×7×c4通過 4 個階段（回想一下 224/21+4=7), 每個最終的步幅為2. 最后，head 通過全局平均池采用完全標(biāo)準(zhǔn)的設(shè)計，類似于 NiN（第 8.3 節(jié)），然后是一個完全連接的層以發(fā)出一個n維向量為 n-類分類。

大多數(shù)相關(guān)的設(shè)計決策都是網(wǎng)絡(luò)主體固有的。它分階段進行，每個階段都由我們在第 8.6.5 節(jié)中討論的相同類型的 ResNeXt 塊組成。那里的設(shè)計再次完全通用：我們從一個塊開始，通過使用一個步長將分辨率減半2（圖8.8.1最右邊 ）。為了匹配這一點，ResNeXt 塊的剩余分支需要通過1×1卷積。此塊后跟可變數(shù)量的附加 ResNeXt 塊，這些塊使分辨率和通道數(shù)均保持不變。請注意，常見的設(shè)計實踐是在卷積塊的設(shè)計中添加一個小瓶頸。因此，瓶頸比 ki≥1我們提供一些渠道