《动手学深度学习 Pytorch版》 7.6 残差网络(ResNet)

import torch
from torch import nn
from torch.nn import functional as F
from d2l import torch as d2l

7.6.1 函数类

如果把模型看作一个函数，我们设计的更强大的模型则可以看作范围更大的函数。为了使函数能逐渐靠拢到最优解，应尽量使函数嵌套，以减少不必要的偏移。

如下图，更复杂的非嵌套函数不一定能保证更接近真正的函数。只有当较复杂的函数类包含较小的函数类时，我们才能确保提高它们的性能。

在这里插入图片描述

7.6.2 残差块

何恺明等人针对上述问题提出了残差网络。它在2015年的ImageNet图像识别挑战赛夺魁，并深刻影响了后来的深度神经网络的设计。残差网络的核心思想是：每个附加层都应该更容易地包含原始函数作为其元素之一。

假设原始输入是 $x$ ，而希望学习的理想映射为 $f (x)$ ，则残差块需要拟合的便是残差映射 $f (x) - x$ 。残差映射在现实中更容易优化，也更容易捕获恒等函数的细微波动。之后再和 $x$ 进行加法从而使整个模型重新变成 $f (x)$ ，这里的加法会更有益于靠近数据端的层的训练，因为乘法中的梯度波动会极大的影响链式法则的结果，而在残差块中输入可以通过加法通路更快的前向传播。

此即为正常块和残差块的区别：

在这里插入图片描述

ResNet 沿用了 VGG 完整的卷积层设计。残差块里首先有2个有相同输出通道数的 $3\times 3$ 卷积层。每个卷积层后接一个批量规范化层和 ReLU 激活函数。然后通过跨层数据通路跳过这 2 个卷积运算，将输入直接加在最后的 ReLU 激活函数前。这样的设计需要 2 个卷积层的输出与输入形状一样才能使它们可以相加。

class Residual(nn.Module):  #@savedef __init__(self, input_channels, num_channels,use_1x1conv=False, strides=1):super().__init__()self.conv1 = nn.Conv2d(input_channels, num_channels,kernel_size=3, padding=1, stride=strides)self.conv2 = nn.Conv2d(num_channels, num_channels,kernel_size=3, padding=1)if use_1x1conv:self.conv3 = nn.Conv2d(input_channels, num_channels,kernel_size=1, stride=strides)else:self.conv3 = Noneself.bn1 = nn.BatchNorm2d(num_channels)self.bn2 = nn.BatchNorm2d(num_channels)def forward(self, X):Y = F.relu(self.bn1(self.conv1(X)))Y = self.bn2(self.conv2(Y))if self.conv3:X = self.conv3(X)Y += Xreturn F.relu(Y)

残差块如果想改变通道数，就需要引入一个额外的 $1\times1$ 卷积层来将输入变换成需要的形状后再做相加运算。上述类在 use_1x1conv=False 时，应用在 ReLU 非线性函数之前，将输入添加到输出；在当 use_1x1conv=True 时，添加通过 $1\times1$ 卷积调整通道和分辨率。

在这里插入图片描述

blk = Residual(3, 3)
X = torch.rand(4, 3, 6, 6)
Y = blk(X)
Y.shape  # 输入形状和输出形状一致

torch.Size([4, 3, 6, 6])

blk = Residual(3, 6, use_1x1conv=True, strides=2)  # 增加输出通道数的同时 减半输出的高度和宽度
blk(X).shape

torch.Size([4, 6, 3, 3])

7.6.3 ResNet 模型

每个模块有 4 个卷积层（不包括恒等映射的 $1\times 1$ 卷积层）。加上第一个 $ 7\times 7$ 卷积层和最后一个全连接层，共有18层。因此，这种模型通常被称为 ResNet-18。虽然 ResNet 的主体架构跟 GoogLeNet 类似，但 ResNet 架构更简单，修改也更方便。

在这里插入图片描述

ResNet 的前两层跟 GoogLeNet 一样，在输出通道数为 64、步幅为 2 的 $7\times7$ 卷积层后，接步幅为 2 的 $3\times3$ 最大汇聚层。不同之处在于 ResNet 每个卷积层后增加了批量规范化层。

b1 = nn.Sequential(nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3),nn.BatchNorm2d(64), nn.ReLU(),nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

ResNet 在后面使用了 4 个由残差块组成的模块，每个模块使用若干个同样输出通道数的残差块。第一个模块的通道数同输入通道数一致。由于之前已经使用了步幅为 2 的最大汇聚层，所以无须减小高和宽。之后的每个模块在第一个残差块里将上一个模块的通道数翻倍，并将高和宽减半。

def resnet_block(input_channels, num_channels, num_residuals,first_block=False):blk = []for i in range(num_residuals):if i == 0 and not first_block:  # 第一块特别处理blk.append(Residual(input_channels, num_channels,use_1x1conv=True, strides=2))else:blk.append(Residual(num_channels, num_channels))return blk

每个模块使用 2 个残差块，最后加入全局平均汇聚层，以及全连接层输出。

b2 = nn.Sequential(*resnet_block(64, 64, 2, first_block=True))
b3 = nn.Sequential(*resnet_block(64, 128, 2))
b4 = nn.Sequential(*resnet_block(128, 256, 2))
b5 = nn.Sequential(*resnet_block(256, 512, 2))

net = nn.Sequential(b1, b2, b3, b4, b5,nn.AdaptiveAvgPool2d((1,1)),nn.Flatten(), nn.Linear(512, 10))

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, 64, 56, 56])
Sequential output shape:	 torch.Size([1, 64, 56, 56])
Sequential output shape:	 torch.Size([1, 128, 28, 28])
Sequential output shape:	 torch.Size([1, 256, 14, 14])
Sequential output shape:	 torch.Size([1, 512, 7, 7])
AdaptiveAvgPool2d output shape:	 torch.Size([1, 512, 1, 1])
Flatten output shape:	 torch.Size([1, 512])
Linear output shape:	 torch.Size([1, 10])

7.6.4 训练模型

lr, num_epochs, batch_size = 0.05, 10, 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, resize=96)
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())  # 大约需要十五分钟，慎跑

loss 0.010, train acc 0.998, test acc 0.913
731.5 examples/sec on cuda:0

在这里插入图片描述

练习

（1）图 7-5 中的 Inception 块与残差块之间的主要区别是什么？在删除了 Inception 块中的一些路径之后，它们是如何相互关联的？

残差块并没有像 Inception 那样使用太多并行路径。和 Inception 的相似之处在于都使用了并联的 $1\times 1$ 的卷积核。

（2）参考 ResNet 论文中的表 1，以实现不同的变体。

在这里插入图片描述

b1 = nn.Sequential(nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3),nn.BatchNorm2d(64), nn.ReLU(),nn.MaxPool2d(kernel_size=3, stride=2, padding=1))
b2 = nn.Sequential(*resnet_block(64, 64, 3, first_block=True))
b3 = nn.Sequential(*resnet_block(64, 128, 4))
b4 = nn.Sequential(*resnet_block(128, 256, 6))
b5 = nn.Sequential(*resnet_block(256, 512, 3))
net34 = nn.Sequential(b1, b2, b3, b4, b5,nn.AdaptiveAvgPool2d((1,1)),nn.Flatten(), nn.Linear(512, 10))lr, num_epochs, batch_size = 0.05, 10, 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, resize=96)
d2l.train_ch6(net34, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())  # 大约需要二十五分钟，慎跑

loss 0.048, train acc 0.983, test acc 0.885
429.5 examples/sec on cuda:0

在这里插入图片描述

ResNet-34 还是阶梯状下降，只不过台阶变低了。起步就不如18，最终精度也不如 ResNet-18。

（3）对于更深层的网络，ResNet 引入了“bottleneck”架构来降低模型复杂度。请尝试它。

class Residual_bottleneck(nn.Module):def __init__(self, input_channels, mid_channels, num_channels,use_1x1conv=False, strides=1):super().__init__()# 下面改成 bottleneckself.conv1 = nn.Conv2d(input_channels, mid_channels,kernel_size=1)self.conv2 = nn.Conv2d(mid_channels, mid_channels,kernel_size=3, padding=1, stride=strides)self.conv3 = nn.Conv2d(mid_channels, num_channels,kernel_size=1)if use_1x1conv:self.conv4 = nn.Conv2d(input_channels, num_channels,kernel_size=1, stride=strides)else:self.conv4 = Noneself.bn1 = nn.BatchNorm2d(mid_channels)self.bn2 = nn.BatchNorm2d(mid_channels)self.bn3 = nn.BatchNorm2d(num_channels)def forward(self, X):Y = F.relu(self.bn1(self.conv1(X)))Y = F.relu(self.bn2(self.conv2(Y)))Y = self.bn3(self.conv3(Y))if self.conv4:X = self.conv4(X)Y += Xreturn F.relu(Y)b1 = nn.Sequential(nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3),nn.BatchNorm2d(64), nn.ReLU(),nn.MaxPool2d(kernel_size=3, stride=2, padding=1))def resnet_block_bottleneck(input_channels, mid_channels, num_channels, num_residuals,first_block=False):blk = []for i in range(num_residuals):if i == 0 and not first_block:  # 第一块特别处理blk.append(Residual_bottleneck(input_channels, mid_channels, num_channels,use_1x1conv=True, strides=2))else:blk.append(Residual_bottleneck(num_channels, mid_channels, num_channels))return blkb2 = nn.Sequential(*resnet_block_bottleneck(64, 16, 64, 3, first_block=True))
b3 = nn.Sequential(*resnet_block_bottleneck(64, 32, 128, 4))
b4 = nn.Sequential(*resnet_block_bottleneck(128, 64, 256, 6))
b5 = nn.Sequential(*resnet_block_bottleneck(256, 128, 512, 3))net1 = nn.Sequential(b1, b2, b3, b4, b5,nn.AdaptiveAvgPool2d((1,1)),nn.Flatten(), nn.Linear(512, 10))lr, num_epochs, batch_size = 0.05, 10, 64
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, resize=96)
d2l.train_ch6(net1, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())  # 大约需要十五分钟，慎跑

loss 0.115, train acc 0.957, test acc 0.915
887.9 examples/sec on cuda:0

在这里插入图片描述

ResNet-50 跑不了一点，十分钟一个batch都跑不完。还是给 ResNet-34 强行换上 bottleneck 吧。

可以说提速效果显著，训练嘎嘎快，精度还反升了。

（4）在 ResNet 的后续版本中，作者将“卷积层、批量规范化层和激活层”架构更改为“批量规范化层、激活层和卷积层”架构。请尝试做这个改进。详见参考文献[57]中的图1。

class Residual_change(nn.Module):def __init__(self, input_channels, num_channels,use_1x1conv=False, strides=1):super().__init__()self.conv1 = nn.Conv2d(input_channels, num_channels,kernel_size=3, padding=1, stride=strides)self.conv2 = nn.Conv2d(num_channels, num_channels,kernel_size=3, padding=1)if use_1x1conv:self.conv3 = nn.Conv2d(input_channels, num_channels,kernel_size=1, stride=strides)else:self.conv3 = Noneself.bn1 = nn.BatchNorm2d(input_channels)self.bn2 = nn.BatchNorm2d(num_channels)def forward(self, X):  # 修改顺序Y = self.conv1(F.relu(self.bn1(X)))Y = self.conv2(F.relu(self.bn2(Y)))if self.conv3:X = self.conv3(X)Y += Xreturn Yb1 = nn.Sequential(nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3),nn.BatchNorm2d(64), nn.ReLU(),nn.MaxPool2d(kernel_size=3, stride=2, padding=1))def resnet_block_change(input_channels, num_channels, num_residuals,first_block=False):blk = []for i in range(num_residuals):if i == 0 and not first_block:blk.append(Residual_change(input_channels, num_channels,use_1x1conv=True, strides=2))else:blk.append(Residual_change(num_channels, num_channels))return blkb2 = nn.Sequential(*resnet_block_change(64, 64, 2, first_block=True))
b3 = nn.Sequential(*resnet_block_change(64, 128, 2))
b4 = nn.Sequential(*resnet_block_change(128, 256, 2))
b5 = nn.Sequential(*resnet_block_change(256, 512, 2))net2 = nn.Sequential(b1, b2, b3, b4, b5, nn.BatchNorm2d(512), nn.ReLU(),  # 如果最后不再上个BatchNorm2d则会完全不收敛nn.AdaptiveAvgPool2d((1,1)),nn.Flatten(), nn.Linear(512, 10))lr, num_epochs, batch_size = 0.05, 10, 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, resize=96)
d2l.train_ch6(net2, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())  # 大约需要二十五分钟，慎跑

loss 0.039, train acc 0.988, test acc 0.905
724.1 examples/sec on cuda:0

在这里插入图片描述

精度有所下降

在这里插入图片描述

（5）为什么即使函数类是嵌套的，我们也仍然要限制增加函数的复杂度呢？

限制复杂度是永远不变的主题，复杂度高更易过拟合，可解释性成吨下降。