深度学习-使用块的网络VGG

1 背景

VGG由牛津大学视觉几何组（Visual Geometry Group）的研究员Karen Simonyan、Andrew Zisserman于2014年提出，并发布于论文《Very Deep Convolutional Networks for Large-Scale Image Recognition》。该网络在 ILSVRC-2014（ImageNet大规模视觉识别挑战赛，ImageNet Large Scale Visual Recognition Challenge）上获得了第二名，虽不敌当时的冠军GoogleNet，但其在深度设计和参数优化方面为后续模型提供了关键参考。

2 原理

VGG的核心思想就是VGG块，如下图所示，将连续的一个或多个卷积层与后面的汇聚层组合打包成一个块，使得网络结构得到了进一步统一，大大减少了深层网络的复杂性。原先由若干卷积层、汇聚层和全连接层组合实现的网络在引入块的思想后，简化为若干个VGG块+全连接层的两段结构。

具体来看，一个VGG块中的卷积层和汇聚层都是"预制菜"，为了统一封装，卷积层中的卷积核大小固定为3*3，填充固定为2，步幅固定为1，根据前面的知识可知，经过这样一个卷积层以后特征图的大小不变(n+2-3)/1+1=n)；汇聚层的窗口大小固定为2*2，步幅固定为2，同理，特征图经过该汇聚层以后大小减半((n-2)/2+1=n/2)。另一方面，多个3*3的卷积层的堆叠可以在获得更大感受野的同时经过更多的激活函数，比单纯的5*5、7*7等大卷积核的效果更好。

3 实现

3.1 模型定义

下述代码实现了VGG块的定义。可以看到，VGG块中可以调节的参数只有卷积层数、输入通道数和输出通道数，其中对于通道数量上的变换是在第一个卷积层完成的。

python 复制代码

import torch
from torch import nn
from d2l import torch as d2l


def vgg_block(num_convs, in_channels, out_channels):
    layers = []
    for _ in range(num_convs):
        layers.append(nn.Conv2d(in_channels, out_channels,
                                kernel_size=3, padding=1))
        layers.append(nn.ReLU())
        in_channels = out_channels
    layers.append(nn.MaxPool2d(kernel_size=2,stride=2))
    return nn.Sequential(*layers)

下面定义的超参数用于控制每个VGG块的卷积层数和输出通道数。

python 复制代码

conv_arch = ((1, 64), (1, 128), (2, 256), (2, 512), (2, 512))

下面代码利用上述超参数实现了VGG，由于该实现中包含8个卷积层(1+1+2+2+2)和三个全连接层，所以叫做VGG-11。

python 复制代码

def vgg(conv_arch):
    conv_blks = []
    in_channels = 1
    # 卷积层部分
    for (num_convs, out_channels) in conv_arch:
        conv_blks.append(vgg_block(num_convs, in_channels, out_channels))
        in_channels = out_channels

    return nn.Sequential(
        *conv_blks, nn.Flatten(),
        # 全连接层部分
        nn.Linear(out_channels * 7 * 7, 4096), nn.ReLU(), nn.Dropout(0.5),
        nn.Linear(4096, 4096), nn.ReLU(), nn.Dropout(0.5),
        nn.Linear(4096, 10))

net = vgg(conv_arch)

下面代码展示了每一层的BCHW，由于封装了多个VGG块，每个VGG块会被看成一个层，只展示一个输出结果。

python 复制代码

X = torch.randn(size=(1, 1, 224, 224))
for blk in net:
    X = blk(X)
    print(blk.__class__.__name__,'output shape:\t',X.shape)

3.2模型训练

由于VGG-11的计算量较大，所以这里实现了一个参数规模更小的模型，做法就是将超参数conv_arch中的通道数缩小4倍（'//'符号在整数除法中表示除完后向下取整）。

python 复制代码

ratio = 4
small_conv_arch = [(pair[0], pair[1] // ratio) for pair in conv_arch]
net = vgg(small_conv_arch)
lr, num_epochs, batch_size = 0.05, 10, 128
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, resize=224)
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())

参考文献

1\][《动手学深度学习》,https://zh-v2.d2l.ai/](https://zh-v2.d2l.ai/ "《动手学深度学习》,https://zh-v2.d2l.ai/") \[2\][Simonyan, Karen, and Andrew Zisserman. "Very deep convolutional networks for large-scale image recognition." arXiv preprint arXiv:1409.1556 (2014).](https://arxiv.org/abs/1409.1556 "Simonyan, Karen, and Andrew Zisserman. \"Very deep convolutional networks for large-scale image recognition.\" arXiv preprint arXiv:1409.1556 (2014).")