请选择 进入手机版 | 继续访问电脑版

[其它综合] 总结近几年Pytorch基于Imgagenet数据集图像分类模子

[复制链接]
查看43 | 回复9 | 2021-9-12 17:28:29 | 显示全部楼层 |阅读模式

AlexNet (2012 )

2012 年,AlexNet 由 Alex Krizhevsky 为 ImageNet 大规模视觉辨认 寻衅 赛 ( ILSVRV ) 提出的,ILSVRV 评估用于对象检测和图像分类的算法。

AlexNet 统共 由八层构成

此中 前5层是卷积层,后3层是全毗连 层。

前两个卷积层毗连 到重叠的最大池化层以提取最大数量 的特性 。

第三、四、五卷积层直接与全毗连 层相连。

卷积层和全毗连 层的全部 输出都毗连 到 ReLu 非线性激活函数。

末了 的输出层毗连 到一个 softmax 激活层,它产生 1000 个类标签的分布。

总结近几年Pytorch基于Imgagenet数据集图像分类模子

VGG (2014)

VGG 是一种盛行 的神经网络架构

由2014年,牛津大学的 Karen Simonyan 和 Andrew Zisserman 提出。

与 AlexNet 相比,VGG 的紧张 改进包括利用 大内核大小的过滤器

(第一和第二卷积层中的大小分别为 11 和 5)和多个(3×3)内核大小的过滤器。

总结近几年Pytorch基于Imgagenet数据集图像分类模子

GoogleNet (2014)

2014年,GoogleNet 诞生,该架构有 22 层深

包括 27 个池化层。统共 有 9 个初始模块线性堆叠。Inception 模块的末了 毗连 到全局匀称 池化层。

下面是完备 GoogleNet 架构的缩小图像。

总结近几年Pytorch基于Imgagenet数据集图像分类模子

ResNet (2015)

由于深度神经网络训练 既费时又容易 过拟合,微软引入了一个残差学习框架来改进比从前 利用 的更深的网络的训练 。

ResNet在PyTorch的官方代码中共有5种不同深度的布局

深度分别为18、34、50、101、152(各种网络的深度指的是“必要 通过训练 更新参数”的层数,如卷积层,全毗连 层等)。

Inception v3 (2015)

与 VGGNet 相比,

Inception Networks 已被证实 在计算服从 更高

Inception v3 网络的架构是渐渐 构建的,布局 图可点击查看大图

在这里插入图片形貌

SqueezeNet (2016)

SqueezeNet 是一个较小的网络

它的参数比 AlexNet 少近 50 倍,但实行 速率 快 3 倍。

总结近几年Pytorch基于Imgagenet数据集图像分类模子

如上图中最左边所示,SqueezeNet 以一个标准的卷积层开始,然后是 8 个 Fire 模块,末了 再以一个卷积层竣事 。

步长为 2 的池化分别跟在第一个卷积层、 第 4 个 Fire 模块、第 8 个 Fire 模块和末了 一个卷积层后面。

中心 的网络布局 在特性 图通道数雷同 的 Fire 模块之间引入了残差网络中的跳跃毗连 ,

而最右边的网络布局 在中心 布局 的基础上,针对特性 图通道数不一样的环境 ,通过一个 1×1 的卷积来调整通道数同等 后再相加。

DenseNet (2016)

DenseNet 拥有与传统深度 CNN 相比的一大上风 :

通过多层的信息在到达网络末了 时不会被冲刷或消散 。这是通过简单的毗连 模式实现的。

要明确 这一点,必须知道平常 CNN 中的层是怎样 毗连 的。

总结近几年Pytorch基于Imgagenet数据集图像分类模子

这是一个简单的 CNN,此中 各层按次序 毗连 。然而,在DenseNet 中,每一层从全部 前面的层获得额外的输入,并将其本身 的特性 映射传递给全部 后续层。

下面是描绘 DenseNet 的图像。

在这里插入图片形貌

Xception (2016)

Xception是Google公司继Inception后提出的

对 Inception-v3 的另一种改进

Xception 的布局 基于 ResNet,但是将此中 的卷积层换成了Separable Convolution(极致的 Inception模块)。

如下图所示。整个网络被分为了三个部分:Entry,Middle和Exit。

总结近几年Pytorch基于Imgagenet数据集图像分类模子

ShuffleNet v2 (2018)

2018年,开始了轻度网络的研究,MnasNet ,MobileNet,ShuffleNet,,Xception采用了分组卷积,

深度可分离卷积等操作,这些操作

在肯定 程度上大大减少了FLOP

团体 ShuffleNet v2 架构列表如下:

总结近几年Pytorch基于Imgagenet数据集图像分类模子

MnasNet (2018)

Google 团队最新提出 MnasNet

利用 强化学习的思绪 ,提出一种资源束缚 的终端 CNN 模子 的自动 神经布局 搜刮 方法。

ResNeXt(2019)

ResNeXt是ResNet 的变体

ResNet有很多 版本,对应的ResNeXt也有很多 不同版本。

对比下,ResNet50和ResNeXt-50的网络布局 图如下:

总结近几年Pytorch基于Imgagenet数据集图像分类模子

MobileNetv3 (2019)

在ImageNet分类任务 上,相对于MobileNetV2,

MobileNetV3-small精度进步 了大约3.2%,时间减少了15%

MobileNetV3-large精度进步 了大约34.6%,时间减少了5%。

MobileNetV3的large和small布局 如下图所示。

在这里插入图片形貌

总结近几年Pytorch基于Imgagenet数据集图像分类模子

EfficientNet 2019 and EfficientNet v2 2021

谷歌研究职员 在一篇 ICML 2019 论文《EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks》中,

提出了

一种新型模子 缩放方法

该方法利用 一种简单但高效的复合系数(compound coefficient)以更加布局 化的方式扩展 CNN,这成为后ResNet期间 的顶流EfficientNet,

很多模子 网络及其复杂,学会怎么用轮子就好了。

以上就是总结近几年Pytorch基于Imgagenet数据集图像分类模子 的具体 内容,更多关于Pytorch基于Imgagenet数据集图像分类模子 的资料请关注脚本之家别的 干系 文章!


免责声明:如果侵犯了您的权益,请联系站长,我们会及时删除侵权内容,谢谢合作!

本帖子中包含更多资源

您需要 登录 才可以下载或查看,没有帐号?立即注册

x
回复

使用道具 举报

avatar fck1956272 | 2021-9-19 07:13:39 | 显示全部楼层
顶一下,收藏了!
回复

使用道具 举报

avatar 爱之关怀阿飞米 | 2021-9-20 00:38:20 | 显示全部楼层
收藏了,admin楼主加油!
回复

使用道具 举报

avatar 123457549 | 2021-9-20 17:14:46 | 显示全部楼层
大神好强大!
回复

使用道具 举报

avatar 123457148 | 2021-9-26 20:55:05 | 显示全部楼层
admin楼主的病历本丢我这里了!
回复

使用道具 举报

avatar 123457390 | 2021-10-4 09:44:32 | 显示全部楼层
顶顶更健康!
回复

使用道具 举报

avatar 123457176 | 2021-10-10 17:28:52 | 显示全部楼层
admin楼主,我告诉你一个你不知道的的秘密,有一个牛逼的源码论坛他的站点都是商业源码,还是免费下载的那种!特别好用。访问地址:http://www.mxswl.com 猫先森网络
回复

使用道具 举报

avatar veronica六 | 2021-10-11 13:24:20 | 显示全部楼层
admin楼主加油,看好你哦!
回复

使用道具 举报

这个帖子好无聊啊!
回复

使用道具 举报

这么经典的话只有admin楼主能想到!
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则