[关闭]
@Team 2018-09-17T07:56:59.000000Z 字数 6131 阅读 1490

《Computer vision》笔记-AlexNet（1）

石文华

AlexNet，是以论文的第一作者 Alex Krizhevsky 的名
字命名的，另外两位合著者是 ilya Sutskever 和 Geoffery Hinton。在2012年的ILSVRC比赛中，作者通过这个模型获得了冠军。如下图是这个卷积神经网络模型的网络架构
image.png-157.6kB
可以看到网络从输入到输出分别是输入层、Conv1层，MaxPool1层、Conv2层，MaxPool2层、Conv3层，Conv4层，Conv5层，MaxPool3层、FC6层、FC7层、FC8层和OutPut层。
（1）输入层：AlexNet 首先用一张 227×227×3 的图片作为输入，实际上原文中使用的图像是 224×224×3，但是如果你尝试去推导一下，你会发现 227×227 这个尺寸更好一些,这里使用输入数据是224*224*3的图像进行推导，即长宽都是224的图像，色彩通道是R、G、B三个。
（2）Conv1层：第一个卷积层、使用的卷积核大小为11*11*3，步长为4、Padding为2，最后输出的特征图为55*55*96，其中55=（224-11+4）/2+1，输出深度为96，是因为使用了96个卷积核进行卷积。最后得到特征图维度是55*55*96
（3）MaxPool1层：卷积之后使用最大池化，池化的滑动窗口是3*3*96，步长为2，池化之后输出的特征图的长宽是27,27=（55-3）/2+1，所以池化之后的特征图维度是27*27*96。
（4）Conv2层：使用卷积核大小为5*5*96，步长为1，Padding设置为same，这里为2，因为要确保输出长度为27，所以27=（27-5+2*a）/1+1，所以也可知Padding为2。这里使用了256个卷积核进行卷积，所以最后输出的特征图是27*27*256。
（5）MaxPool2层：滑动窗口大小为3*3*256，步长为2，得到的长宽为13,13=（27-3）/2+1,最后得到的特征图大小为13*13*256。
（6）Conv3层：卷积核大小为3*3*256，步长为1，Padding为1，得到特征图的长宽为13,13=（13-3+2）/1+1=13,使用384个卷积核进行卷积。得到输出为13*13*384。
（7）Conv4层:卷积核大小为3*3*384，步长为1，Padding为1，得到特征图的长宽为13,13=（13-3+2）/1+1=13,使用384个卷积核进行卷积。得到输出为13*13*384。
（8）Conv5层:卷积核大小为3*3*384，步长为1，Padding为1，得到特征图的长宽为13,13=（13-3+2）/1+1=13,使用256个卷积核进行卷积。得到输出为13*13*256。
（9）MaxPool3:滑动窗口大小为3*3*256，步长为2，得到的长宽为6,6=（13-3）/2+1,最后得到的特征图大小为6*6*256。
（10）FC6层:第一个全连接层，输入特征维度是6*6*256，首先先对输入的特征图进行扁平化处理，将维度变为1*9216的输入特征图，因为要求输出的数据维度为1*4096，所以需要一个9216*4096的矩阵完成输入数据和输出数据的全连接，最后得到输出数据的维度为1*4096。
（11）FC7层：输入数据维度是1*4096，输出特征要求为1*4096，所以需要4096*4096的矩阵完成输入数据和输出数据的全连接，随后得到输出数据的维度是1*4096。
（12）FC8层：输入数据维度是1*4096，输出特征要求为1*1000，所以需要4096*1000的矩阵完成输入数据和输出数据的全连接，随后得到输出数据的维度是1*1000。
（13）OutPut层：输出图像对应的1000个类别的可能性值，将FC7层的输出数据传递到Softma激活函数中，能够得到1000个全新的输出值，这1000个输出值就是模型预测的输入图像对应1000个类别的可能性。
AlexNet 网络结构看起来相对复杂，包含约 6000 万个参数， 这些数字（55×55×96、 27×27×96、
27×27×256……） 都是 Alex Krizhevsky 及其合著者不得不给出的,。
注：AlexNet网络卷积之后的激活函数是relu，每个全连接层后面加上Dropout层减少模型的过拟合问题。

  1. import torch
  2. import torch.nn as nn
  3. class AlexNet(nn.Module):
  4.     def __init__(self, num_classes=10):
  5.         super(AlexNet, self).__init__()
  6.         self.features = nn.Sequential(
  7.             nn.Conv2d(3, 96, kernel_size=11, stride=4, padding=0),
  8.             nn.ReLU(inplace=True),
  9.             nn.MaxPool2d(kernel_size=3, stride=2),
  10.             nn.Conv2d(96, 256, kernel_size=5, padding=2, groups=2),
  11.             nn.ReLU(inplace=True),
  12.             nn.MaxPool2d(kernel_size=3, stride=2),
  13.             nn.Conv2d(256, 384, kernel_size=3, padding=1),
  14.             nn.ReLU(inplace=True),
  15.             nn.Conv2d(384, 384, kernel_size=3, padding=1, groups=2),
  16.             nn.ReLU(inplace=True),
  17.             nn.Conv2d(384, 256, kernel_size=3, padding=1, groups=2),
  18.             nn.ReLU(inplace=True),
  19.             nn.MaxPool2d(kernel_size=3, stride=2),
  20.         )
  21.         self.classifier = nn.Sequential(
  22.             nn.Linear(256 * 6 * 6, 4096),
  23.             nn.ReLU(inplace=True),
  24.             nn.Dropout(),
  25.             nn.Linear(4096, 4096),
  26.             nn.ReLU(inplace=True),
  27.             nn.Dropout(),
  28.             nn.Linear(4096, num_classes),
  29.         )
  31.     def forward(self, x):
  32.         x = self.features(x)
  33.         x = x.view(x.size(0), 256 * 6 * 6)
  34.         x = self.classifier(x)
  35.         return x
  37. alexnet=AlexNet()
  38. print(alexnet)

输出结果：

  1. AlexNet(
  2.   (features): Sequential(
  3.     (0): Conv2d(3, 96, kernel_size=(11, 11), stride=(4, 4))
  4.     (1): ReLU(inplace)
  5.     (2): MaxPool2d(kernel_size=3, stride=2, padding=0, dilation=1, ceil_mode=False)
  6.     (3): Conv2d(96, 256, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2), groups=2)
  7.     (4): ReLU(inplace)
  8.     (5): MaxPool2d(kernel_size=3, stride=2, padding=0, dilation=1, ceil_mode=False)
  9.     (6): Conv2d(256, 384, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  10.     (7): ReLU(inplace)
  11.     (8): Conv2d(384, 384, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), groups=2)
  12.     (9): ReLU(inplace)
  13.     (10): Conv2d(384, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), groups=2)
  14.     (11): ReLU(inplace)
  15.     (12): MaxPool2d(kernel_size=3, stride=2, padding=0, dilation=1, ceil_mode=False)
  16.   )
  17.   (classifier): Sequential(
  18.     (0): Linear(in_features=9216, out_features=4096, bias=True)
  19.     (1): ReLU(inplace)
  20.     (2): Dropout(p=0.5)
  21.     (3): Linear(in_features=4096, out_features=4096, bias=True)
  22.     (4): ReLU(inplace)
  23.     (5): Dropout(p=0.5)
  24.     (6): Linear(in_features=4096, out_features=10, bias=True)
  25.   )
  26. )

加载数据：

  1. import torch 
  2. from torchvision import datasets,transforms
  3. import os
  4. import matplotlib.pyplot as plt
  5. import time
  6. #transform = transforms.Compose是把一系列图片操作组合起来，比如减去像素均值等。
  7. #DataLoader读入的数据类型是PIL.Image
  8. #这里对图片不做任何处理，仅仅是把PIL.Image转换为torch.FloatTensor，从而可以被pytorch计算
  9. transform = transforms.Compose(
  10.     [
  11.         transforms.Scale([224,224]),
  12.         transforms.ToTensor(),
  13.         #transforms.Normalize(mean=[0.5,0.5,0.5],std=[0.5,0.5,0.5])
  14.     ]
  15. )
  17. #训练集
  18. train_set = datasets.CIFAR10(root='drive/pytorch/Alexnet/', train=True, transform=transform, target_transform=None, download=True)
  19. #测试集
  20. test_set=datasets.CIFAR10(root='drive/pytorch/Alexnet/',train=False,download=True,transform=transform)
  22. trainloader=torch.utils.data.DataLoader(train_set,batch_size=32,shuffle=True,num_workers=0)
  23. testloader=torch.utils.data.DataLoader(test_set,batch_size=32,shuffle=True,num_workers=0)
  26. classes=('plane','car','bird','cat','deer','dog','frog','horse','ship','truck')
  28. (data,label)=train_set[64]
  29. print(classes[label])

查看数据：

  1. X_example,y_example=next(iter(trainloader))
  2. print(X_example.shape)
  3. img=X_example.permute(0, 2, 3, 1)
  4. print(img.shape)
  5. import torchvision
  6. img=torchvision.utils.make_grid(X_example)
  7. img=img.numpy().transpose([1,2,0])
  9. import matplotlib.pyplot as plt
  11. plt.imshow(img)
  12. plt.show()

image.png-197.1kB
训练模型：

  1. import torch.optim as optim          #导入torch.potim模块
  2. import time
  3. from torch.autograd import Variable   # 这一步还没有显式用到variable，但是现在写在这里也没问题，后面会用到
  4. import torch.nn as nn
  5. import torch.nn.functional as F
  7. criterion = nn.CrossEntropyLoss()    #同样是用到了神经网络工具箱 nn 中的交叉熵损失函数
  8. optimizer = optim.Adam(alexnet.classifier.parameters(), lr=0.0001)   #optim模块中的SGD梯度优化方式---随机梯度下降
  9. epoch_n=5
  11. for epoch in range(epoch_n):
  12.   print("Epoch{}/{}".format(epoch,epoch_n-1))
  13.   print("-"*10)
  14.   running_loss = 0.0  #定义一个变量方便我们对loss进行输出
  15.   running_corrects=0
  16.   for i, data in enumerate(trainloader, 1): # 这里我们遇到了第一步中出现的trailoader，代码传入
  17.     inputs, labels = data   # data是从enumerate返回的data，包含数据和标签信息，分别赋值给inputs和labels
  18.     #inputs=inputs.permute(0, 2, 3, 1)
  20.     #print("hahah",len(labels))
  21.     y_pred = alexnet(inputs)                # 把数据输进网络net，这个net()在第二步的代码最后一行我们已经定义了
  22.     _,pred=torch.max(y_pred.data,1)
  23.     optimizer.zero_grad()                # 要把梯度重新归零，因为反向传播过程中梯度会累加上一次循环的梯度
  25.     loss = criterion(y_pred, labels)    # 计算损失值,criterion我们在第三步里面定义了
  26.     loss.backward()                      # loss进行反向传播，下文详解
  27.     optimizer.step()                     # 当执行反向传播之后，把优化器的参数进行更新，以便进行下一轮
  28.     # print statistics                   # 这几行代码不是必须的，为了打印出loss方便我们看而已，不影响训练过程
  29.     running_loss += loss.item()       # 从下面一行代码可以看出它是每循环0-1999共两千次才打印一次
  30.     running_corrects+=torch.sum(pred==labels.data)
  32.     if(i % 2 == 0):    # print every 2000 mini-batches   所以每个2000次之类先用running_loss进行累加
  33.       print("Batch{},Train Loss:{:.4f},Train ACC:{:.4f}".format(i,running_loss/i,100*running_corrects/(32*i)))

参考文献：
Andrew Ng 《Deep Learning》
唐进民 《深度学习之PyTorch实战计算机视觉》

添加新批注
在作者公开此批注前，只有你和作者可见。
回复批注