机器学习——网络中的网络NiN

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，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）。

下图说明了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。

 以PyTorch为例

?

1 2 3 4 5 6 7 8 9 10 11

import torch from torch import nn from d2l import torch as d2l     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_size=1), nn.ReLU(),         nn.Conv2d(out_channels, out_channels, kernel_size=1), nn.ReLU())

 

NiN模型

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。

?

1 2 3 4 5 6 7 8 9 10 11 12 13

net = nn.Sequential(     nin_block(1, 96, kernel_size=11, strides=4, padding=0),     nn.MaxPool2d(3, stride=2),     nin_block(96, 256, kernel_size=5, strides=1, padding=2),     nn.MaxPool2d(3, stride=2),     nin_block(256, 384, kernel_size=3, strides=1, padding=1),     nn.MaxPool2d(3, stride=2),     nn.Dropout(0.5),     # 标签类别数是10     nin_block(384, 10, kernel_size=3, strides=1, padding=1),     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。

?

1 2 3 4

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

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])

 

总结

 

• 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。