本文共 1919 字,大约阅读时间需要 6 分钟。
有人在CIFAR10这个数据集上面做了一个实验,是不是卷积层越多越好,结果发现并不是如此。在层数增加之后表现并没有有效的变好。这其实就是触发了梯度消失的问题。
因为每一层计算的梯度最终都会乘算到一起,这个数值在最后的时候就会越来越小,乘的层数多了,自然而然就会变得越来越小。底层的网络的梯度会变得特别小,很难得到有效的训练,所以整体的准确度不高。我们可以使用如下的情况来进行解决,将一个没有经过层处理的x直接传下去。
这样到底能达到一个怎样的结果呢?其实得到就是下面这个结果: 每次计算梯度的时候,因为我们加了一个x那么永远都有一个+1的存在,所以这样我们永远也不会出现梯度乘起来为0的情况了。这里注意一点,想要两个可以加和,那么必须存在这样的一个情况就是,传递下来的x要和经过计算的y的(branch,channel,height,weight)是完全相同的才可以,所以我们一定要注意不能发生变形。
import numpyimport torchfrom torchvision import functional as Fclass ResidualBlocK(torch.nn.Module): def __init__(self,input_channel): super(ResidualBlocK,self).__init__() #这里我们注意我们之前使用的是矩阵合并,合并的时候是除了合并的那一个维度之外所有维度都需要相等。 #这里我们是使用矩阵加和,所以两者的所有维度都必须是相等的,所以输入和输出的通道必须是相同的。 self.conv1=torch.nn.Conv2d(input_channel,input_channel,kernel_size=3,padding=1) self.conv2=torch.nn.Conv2d(input_channel,input_channel,kernel_size=3,padding=1) self.input_channel=input_channel def forward(x): y=F.relu(conv1(x)) y=conv2(y) return F.relu(x) #这里我们注意一个小的细节,relu的位置我们要带着x一起relu才可以。class Net(torch.nn.Module): def __init__(self,channel): super(Net,self).__init__() self.conv1=torch.nn.Conv2d(channel,16,kernel_size=5) self.conv2=torch.nn.Conv2d(16,32,kernel_size=5) self.resi1=ResidualBlocK(16) self.resi2=ResidualBlocK(32) self.maxpool=torch.nn.MaxPool2d(2) self.fullconnect=torch.nn.Linear(256,10) #同样这个256也是算出来的,但是我们为了稳妥起见,还是自己构造一个数据集来新进行测试一下。逐步测试,每一次逐步的渐增。 #最好是使用增量式开发来进行开发。 def forward(x): input_num=x.size(0) x=self.maxpool(F.relu(self.conv1(x))) x=self.resi1(x) x=self.maxpool(F.relu(self.conv2(x))) x=self.resi2(x) x=x.view(input_num,-1) x=self.fullconnect(x)
大家可以参考:
论文:Identity Mappings in Deep Residual Networks 中文翻译:https://blog.csdn.net/cdknight_happy/article/details/78994071