贵德县建设局网站百度的营销推广

当前位置： 首页 > news >正文

贵德县建设局网站,百度的营销推广,域名注册人怎么查询,怎么样做网站赚钱吗以下内容为结合李沐老师的课程和教材补充的学习笔记#xff0c;以及对课后练习的一些思考#xff0c;自留回顾#xff0c;也供同学之人交流参考。 本节课程地址#xff1a;26 网络中的网络 NiN【动手学深度学习v2】_哔哩哔哩_bilibili 本节教材地址#xff1a;7.3. 网络…以下内容为结合李沐老师的课程和教材补充的学习笔记以及对课后练习的一些思考自留回顾也供同学之人交流参考。 本节课程地址26 网络中的网络 NiN【动手学深度学习v2】_哔哩哔哩_bilibili 本节教材地址7.3. 网络中的网络NiN — 动手学深度学习 2.0.0 documentation (d2l.ai) 本节开源代码…d2l-zhpytorchchapter_multilayer-perceptronsnin.ipynb 网络中的网络NiN LeNet、AlexNet和VGG都有一个共同的设计模式通过一系列的卷积层与汇聚层来提取空间结构特征然后通过全连接层对特征的表征进行处理。 AlexNet和VGG对LeNet的改进主要在于如何扩大和加深这两个模块。 或者可以想象在这个过程的早期使用全连接层。然而如果使用了全连接层可能会完全放弃表征的空间结构。 网络中的网络NiN提供了一个非常简单的解决方案在每个像素的通道上分别使用多层感知机 (hrefhttps://zh.d2l.ai/chapter_references/zreferences.html#id93Linet al., 2013)。 (NiN块) 回想一下卷积层的输入和输出由四维张量组成张量的每个轴分别对应样本、通道、高度和宽度。 另外全连接层的输入和输出通常是分别对应于样本和特征的二维张量。 NiN的想法是在每个像素位置针对每个高度和宽度应用一个全连接层。 如果我们将权重连接到每个空间位置我们可以将其视为 1×1 卷积层如6.4节 中所述或作为在每个像素位置上独立作用的全连接层。 从另一个角度看即将空间维度中的每个像素视为单个样本将通道维度视为不同特征feature。 图7.3.1 说明了VGG和NiN及它们的块之间主要架构差异。 NiN块以一个普通卷积层开始后面是两个1×1 的卷积层。这两个 1×1 卷积层充当带有ReLU激活函数的逐像素全连接层。 第一层的卷积窗口形状通常由用户设置。 随后的卷积窗口形状固定为 1×1。 7.3.1 对比 VGG 和 NiN 及它们的块之间主要架构差异。 import torch from torch import nn from d2l import torch as d2ldef nin_block(in_channels, out_channels, kernel_size, strides, padding):return nn.Sequential(nn.Conv2d(in_channels, out_channels, kernel_size, strides, padding),nn.ReLU(),nn.Conv2d(out_channels, out_channels, kernel_size1), nn.ReLU(),nn.Conv2d(out_channels, out_channels, kernel_size1), nn.ReLU()) [NiN模型] 最初的NiN网络是在AlexNet后不久提出的显然从中得到了一些启示。 NiN使用窗口形状为 11×11 、 5×5 和 3×3 的卷积层输出通道数量与AlexNet中的相同。 每个NiN块后有一个最大汇聚层汇聚窗口形状为3×3步幅为2。 NiN和AlexNet之间的一个显著区别是NiN完全取消了全连接层。 相反NiN使用一个NiN块其输出通道数等于标签类别的数量。最后放一个全局平均汇聚层global average pooling layer生成一个对数几率 logits。NiN设计的一个优点是它显著减少了模型所需参数的数量。然而在实践中这种设计有时会增加训练模型的时间。 net nn.Sequential(nin_block(1, 96, kernel_size11, strides4, padding0),nn.MaxPool2d(3, stride2),nin_block(96, 256, kernel_size5, strides1, padding2),nn.MaxPool2d(3, stride2),nin_block(256, 384, kernel_size3, strides1, padding1),nn.MaxPool2d(3, stride2),nn.Dropout(0.5),# 标签类别数是10nin_block(384, 10, kernel_size3, strides1, padding1),nn.AdaptiveAvgPool2d((1, 1)),# 将四维的输出转成二维的输出其形状为(批量大小,10)nn.Flatten()) 我们创建一个数据样本来[查看每个块的输出形状]。 X torch.rand(size(1, 1, 224, 224)) for layer in net:X layer(X)print(layer.class.name,output shape:\t, X.shape) 输出结果 Sequential output shape: torch.Size([1, 96, 54, 54]) MaxPool2d output shape: torch.Size([1, 96, 26, 26]) Sequential output shape: torch.Size([1, 256, 26, 26]) MaxPool2d output shape: torch.Size([1, 256, 12, 12]) Sequential output shape: torch.Size([1, 384, 12, 12]) MaxPool2d output shape: torch.Size([1, 384, 5, 5]) Dropout output shape: torch.Size([1, 384, 5, 5]) Sequential output shape: torch.Size([1, 10, 5, 5]) AdaptiveAvgPool2d output shape: torch.Size([1, 10, 1, 1]) Flatten output shape: torch.Size([1, 10]) [训练模型] 和以前一样我们使用Fashion-MNIST来训练模型。训练NiN与训练AlexNet、VGG时相似。 lr, num_epochs, batch_size 0.1, 10, 128 train_iter, test_iter d2l.load_data_fashion_mnist(batch_size, resize224) d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu()) 输出结果 loss 0.352, train acc 0.871, test acc 0.874 1721.5 examples/sec on cuda:0 小结 NiN使用由一个卷积层和多个 1×1 卷积层组成的块。该块可以在卷积神经网络中使用以允许更多的每像素非线性。NiN去除了容易造成过拟合的全连接层将它们替换为全局平均汇聚层即在所有位置上进行求和。该汇聚层通道数量为所需的输出数量例如Fashion-MNIST的输出为10。移除全连接层可减少过拟合同时显著减少NiN的参数。NiN的设计影响了许多后续卷积神经网络的设计。 练习 调整NiN的超参数以提高分类准确性。 解 代码如下 lr, num_epochs, batch_size 0.05, 20, 128 d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu()) 输出结果 loss 0.281, train acc 0.896, test acc 0.885 1719.9 examples/sec on cuda:0 2. 为什么NiN块中有两个 1×1 卷积层删除其中一个然后观察和分析实验现象。 解 第一个 1×1 卷积层作用是降维用于减少特征图的通道数从而降低网络的参数数量和计算复杂度有助于防止过拟合并使网络更加高效。 第二个 1×1 卷积层作用是增加网络深度和像素的非线性性对第一个卷积层的输出进行非线性变换有助于网络学习更复杂的特征表示。通过这种方式网络可以在保持参数数量相对较低的同时增加其表达能力。 同时1×1 卷积层可以融合每个像素点不同通道的特征因此也具有特征融合的作用。 删除其中一个 1×1 卷积层后训练损失略上升训练和测试精度略下降可能导致网络学习特征能力下降、非线性性降低从而导致精度略下降。 def nin_block(in_channels, out_channels, kernel_size, strides, padding):return nn.Sequential(nn.Conv2d(in_channels, out_channels, kernel_size, strides, padding),nn.ReLU(),nn.Conv2d(out_channels, out_channels, kernel_size1), nn.ReLU()) lr, num_epochs, batch_size 0.1, 10, 128 d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu()) 输出结果 loss 0.360, train acc 0.867, test acc 0.869 2208.1 examples/sec on cuda:0 3. 计算NiN的资源使用情况。 1参数的数量是多少 2计算量是多少 3训练期间需要多少显存 4预测期间需要多少显存 解 计算过程如下 对于一张图(1, 224, 224)而言 1参数的数量为1.92 MB 2计算量为1.55 GB 3训练期间的显存为参数占用显存模型占用显存 参数占用显存1.92 * 4 * 2 15.38 MB (float32占4 bytes1 for params, 1 for SGD) 模型占用显存6.35 * 4 * 2 50.80 MB (float32占4 bytes1 for forward, 1 for backward) 总占用显存15.38 50.80 66.18 MB 4预测期间的显存为参数占用显存模型占用显存 参数占用显存1.92 * 4 7.69 MB (float32占4 bytesonly for params) 模型占用显存6.35 * 4 25.40 MB (float32占4 bytesonly for forward) 总占用显存7.69 25.40 33.09 MB

1. 一次性直接将 384×5×5 的表示缩减为 10×5×5 的表示会存在哪些问题解 一次性直接将 384×5×5 的表示缩减为 10×5×5 的表示即不经过两个 1×1 卷积层降维可能存在的问题有 1可能会丢失大量的信息。 2可能过拟合增大当特征维度降低太多时网络可能无法捕捉到足够的特征来泛化到新的数据上。 3可能学习能力下降大幅度降低特征维度会限制网络的学习能力使其难以学习复杂的函数映射。 4可能破坏特征融合不同层的特征图会通过  卷积层进行融合以提取更加抽象的特征。如果直接大幅度减少特征维度可能会破坏这种特征融合的过程影响网络性能。 5可能会导致梯度消失或梯度爆炸。