Pytorch深度学习进阶：第七章并行结构的GoogLeNet剖析

Pytorch深度学习进阶：第七章并行结构的GoogLeNet解析

在2014年的ImageNet图像识别赛事中，一款名为GoogLeNet的网络架构脱颖而出。GoogLeNet借鉴了NiN中串联网络的理念，并在此基础上进行了优化。该论文的一个关键要点是解决了何种大小的卷积核最为合适的问题。

1. Inception块

在GoogLeNet中，基本的卷积块被称作Inception块（Inception block）。

如上图所示，Inception块包含四条并行的路径。前三条路径分别采用窗口大小为1×1、3×3和5×5的卷积层，从不同空间尺度提取信息。中间的两条路径先对输入进行1×1卷积，以此减少通道数量，降低模型复杂度。第四条路径则先使用3×3的最大汇聚层，随后通过1×1卷积层来改变通道数。这四条路径均运用恰当的填充方式，使输入与输出的高度和宽度保持一致，最后将每条路径的输出在通道维度上拼接，从而得到Inception块的输出。在Inception块中，通常需要调整的超参数是每层的输出通道数。

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


class Inception(nn.Module):
    # c1--c4为每条路径的输出通道数
    def __init__(self, in_channels, c1, c2, c3, c4, **kwargs):
        super(Inception, self).__init__(**kwargs)
        # 路径1，单1x1卷积层
        self.p1_1 = nn.Conv2d(in_channels, c1, kernel_size=1)
        # 路径2，1x1卷积层后接3x3卷积层
        self.p2_1 = nn.Conv2d(in_channels, c2[0], kernel_size=1)
        self.p2_2 = nn.Conv2d(c2[0], c2[1], kernel_size=3, padding=1)
        # 路径3，1x1卷积层后接5x5卷积层
        self.p3_1 = nn.Conv2d(in_channels, c3[0], kernel_size=1)
        self.p3_2 = nn.Conv2d(c3[0], c3[1], kernel_size=5, padding=2)
        # 路径4，3x3最大汇聚层后接1x1卷积层
        self.p4_1 = nn.MaxPool2d(kernel_size=3, stride=1, padding=1)
        self.p4_2 = nn.Conv2d(in_channels, c4, kernel_size=1)

    def forward(self, x):
        p1 = F.relu(self.p1_1(x))
        p2 = F.relu(self.p2_2(F.relu(self.p2_1(x))))
        p3 = F.relu(self.p3_2(F.relu(self.p3_1(x))))
        p4 = F.relu(self.p4_2(self.p4_1(x)))
        # 在通道维度上拼接输出
        return torch.cat((p1, p2, p3, p4), dim=1)

2. GoogLeNet模型

下图展示，GoogLeNet总共利用9个Inception块与全局平均汇聚层堆叠来生成其预测结果。Inception块之间的最大汇聚层能够降低维度。第一个模块类似AlexNet和LeNet，Inception块的组合源自VGG，全局平均汇聚层避免了在最后使用全连接层。

现在，逐步实现GoogLeNet的各个模块。第一个模块采用64个通道、7×7的卷积层。

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

第二个模块包含两个卷积层：第一个卷积层是64个通道、1×1的卷积层；第二个卷积层将通道数量增加三倍，采用3×3的卷积层。这对应Inception块中的第二条路径。

b2 = nn.Sequential(nn.Conv2d(64, 64, kernel_size=1),
                   nn.ReLU(),
                   nn.Conv2d(64, 192, kernel_size=3, padding=1),
                   nn.ReLU(),
                   nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

第三个模块串联两个完整的Inception块。

b3 = nn.Sequential(Inception(192, 64, (96, 128), (16, 32), 32),
                   Inception(256, 128, (128, 192), (32, 96), 64),
                   nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

1. 首先运用nn.Sequential创建一个序列化的神经网络模块，其中包含三个子模块：
2. 第一个Inception模块：输入通道数为192，输出通道数分别为64、(96,128)、(16,32)和32
3. 第二个Inception模块：输入通道数为256（与前一个Inception的输出通道数相匹配），输出通道数分别为128、(128,192)、(32,96)和64
4. 一个最大池化层nn.MaxPool2d：采用3x3的卷积核，步长为2，填充为1

第四个模块更为复杂，

b4 = nn.Sequential(Inception(480, 192, (96, 208), (16, 48), 64),
                   Inception(512, 160, (112, 224), (24, 64), 64),
                   Inception(512, 128, (128, 256), (24, 64), 64),
                   Inception(512, 112, (144, 288), (32, 64), 64),
                   Inception(528, 256, (160, 320), (32, 128), 128),
                   nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

1. 第一个Inception模块：
2. 输入通道数为480（与前一个模块b3的输出通道相匹配）
3. 各分支输出通道分别为192、(96,208)、(16,48)、64
4. 后续的4个Inception模块：
5. 输入通道数依次为512、512、512、528（每个模块的输入与前一个模块的输出相匹配）
6. 每个模块均有不同的分支通道配置，通过多种卷积核组合提取不同尺度的特征
7. 最后是一个最大池化层：
8. 采用3x3的卷积核，步长为2，填充为1
9. 作用是通过下采样减小特征图尺寸，同时保留重要特征，为后续模块做准备

第五模块

b5 = nn.Sequential(Inception(832, 256, (160, 320), (32, 128), 128),
                   Inception(832, 384, (192, 384), (48, 128), 128),
                   nn.AdaptiveAvgPool2d((1,1)),
                   nn.Flatten())

net = nn.Sequential(b1, b2, b3, b4, b5, nn.Linear(1024, 10))

1. 第一个Inception模块：
2. 输入通道数为832（与前一个模块b4的输出通道相匹配）
3. 各分支输出通道分别为256、(160, 320)、(32, 128)、128
4. 第二个Inception模块：
5. 输入通道数为832
6. 各分支输出通道分别为384、(192, 384)、(48, 128)、128
7. nn.AdaptiveAvgPool2d((1,1))：
8. 自适应平均池化层，将任意尺寸的输入特征图转换为1x1的特征图
9. 作用是压缩空间维度，保留通道维度的特征信息
10. nn.Flatten()：
11. 将多维的特征图展平为一维向量，为后续的全连接层做准备

GoogLeNet模型计算较为复杂，且不如VGG那样便于修改通道数。为了让Fashion-MNIST上的训练更为简洁，将输入的高和宽从224降至96，以此简化计算。下面展示各个模块输出的形状变化。

X = torch.rand(size=(1, 1, 96, 96))
for layer in net:
    X = layer(X)
    print(layer.__class__.__name__,'output shape:\t', X.shape)


Sequential output shape:     torch.Size([1, 64, 24, 24])
Sequential output shape:     torch.Size([1, 192, 12, 12])
Sequential output shape:     torch.Size([1, 480, 6, 6])
Sequential output shape:     torch.Size([1, 832, 3, 3])
Sequential output shape:     torch.Size([1, 1024])
Linear output shape:         torch.Size([1, 10])

3. 训练模型

如同以往，使用Fashion-MNIST数据集来训练我们的模型。在训练之前，将图片转换为相应分辨率。

lr, num_epochs, batch_size = 0.1, 10, 128
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())