大会 | DiracNets:无需跳层连接的ResNet
AI 科技评论按:本文作者 David 9,首发于作者的个人博客,AI 科技评论获其授权转载。
虚拟化技术牺牲硬件开销和性能,换来软件功能的灵活性;深度模型也类似,如果把网络结构参数化,得到的模型更灵活易控,但是计算效率并不高。 — David 9
近年来深度网络结构的创新层出不穷:残差网络,Inception 系列, Unet 等等...微软的残差网络 ResNet 就是经典的跳层连接(skip-connection):
来自:https://arxiv.org/pdf/1512.03385.pdf
上一层的特征图 x 直接与卷积后的 F(x)对齐加和,变为 F(x)+x (特征图数量不够可用 0 特征补齐,特征图大小不一可用带步长卷积做下采样)。这样在每层特征图中添加上一层的特征信息,可使网络更深,加快反馈与收敛。
但是 ResNet 也有明显的缺陷:我们无法证明把每一层特征图硬连接到下一层都是有用的;另外实验证明把 ResNet 变「深」,不如把 ResNet 变「宽」, 即,到了一定深度,加深网络已经无法使 ResNet 准确度提升了(还不如把网络层像 Inception 那样变宽)。
于是,DiracNets 试图去掉固定的跳层连接,试图用参数化的方法代替跳层连接:
那么问题来了,我们怎么参数化这个被删除的跳层连接?使得新增的参数像卷积核窗口参数一样是可训练的?
有一点是确定的,我们知道 F(x)+x 的对齐求和操作是线性的,卷积操作 F 也是线性的,所以,理论上 F(x)+x 可以合并成一个卷积操作(或者一个线性变换):
其中 x 即输入特征图。其中
就是合并后的卷积核窗口参数矩阵(这个参数已经蕴含了卷积操作和跳层操作)。
其中
代表卷积操作。
最后,让我们再把上式的参数拆分开来:
其中 W 即代表 ResNet 中的卷积操作的参数,I 即代表 ResNet 中的跳层操作的参数。
有没有觉得 I 和单位矩阵很像? 你猜对了 ! I 就是由卷积窗口导出的单位参数矩阵,也叫 Dirac delta 变换,任何输入 x 经过这个 I 矩阵 的变换,其输出还是 x 本身。
而 diag (a) 也是一个可训练的向量参数,用来控制需要跳层连接的程度(需要单位矩阵的程度)。
现在我们看看这种参数化的 ResNet 是不是更灵活了?
如果 diag(a)向量都是趋近于 0 的,那么 I 单位矩阵就基本起不到作用, 那么跳层连接就被削弱了。这时原始的卷积操作 W 就认为占主导作用。
如果 diag(a)向量都是趋近于 1 的,并且 W 参数都非常小,那么卷积操作就被削弱了,输出和输入的特征图 x 很相似。
通过训练 diag(a),我们可以控制 ResNet 中的跳层操作和卷积操作两者的权重。而不是像传统 ResNet,不得不硬连接加上一个跳层连接(无论有用或没用)。
代码实现上,PyTorch 提供了许多灵活的方法,torch.nn.functional 接口允许你人工指定各个参数矩阵:
import torch.nn.functional as F
def dirac_conv2d(input, W, alpha, beta)
return F.conv2d(input, alpha * dirac(W) + beta * normalize(W))
上面代码把参数矩阵对于之前说的拆分成两部分:
- alpha * dirac(W) + beta * normalize(W)
幸运的是pytorch提供现成的计算dirac单位矩阵的函数(http://pytorch.org/docs/0.1.12/nn.html#torch.nn.init.dirac):
- torch.nn.init.dirac(tensor)
如需深入研究,别错过源代码: https://github.com/szagoruyko/diracnets
最后我们看看实验结果.
在同等深度的情况下,DiracNets 普遍需要更多的参数才能达到和 ResNet 相当的准确率:
来自:https://arxiv.org/pdf/1706.00388.pdf
来自:https://arxiv.org/pdf/1706.00388.pdf
而如果不考虑参数数量,DiracNets 需要较少的深度,就能达到 ResNet 需要很深的深度才能达到的准确率:
来自:https://arxiv.org/pdf/1706.00388.pdf
参考文献:
- DiracNets: Training Very Deep Neural Networks Without Skip-Connections
- https://github.com/szagoruyko/diracnets
- Deep Residual Learning for Image Recognition
- https://zh.wikipedia.org/wiki/%E7%8B%84%E6%8B%89%E5%85%8B%CE%B4%E5%87%BD%E6%95%B0
- http://pytorch.org/docs/0.1.12/_modules/torch/nn/functional.html
- JavaScript 教程
- JavaScript 编辑工具
- JavaScript 与HTML
- JavaScript 与Java
- JavaScript 数据结构
- JavaScript 基本数据类型
- JavaScript 特殊数据类型
- JavaScript 运算符
- JavaScript typeof 运算符
- JavaScript 表达式
- JavaScript 类型转换
- JavaScript 基本语法
- JavaScript 注释
- Javascript 基本处理流程
- Javascript 选择结构
- Javascript if 语句
- Javascript if 语句的嵌套
- Javascript switch 语句
- Javascript 循环结构
- Javascript 循环结构实例
- Javascript 跳转语句
- Javascript 控制语句总结
- Javascript 函数介绍
- Javascript 函数的定义
- Javascript 函数调用
- Javascript 几种特殊的函数
- JavaScript 内置函数简介
- Javascript eval() 函数
- Javascript isFinite() 函数
- Javascript isNaN() 函数
- parseInt() 与 parseFloat()
- escape() 与 unescape()
- Javascript 字符串介绍
- Javascript length属性
- javascript 字符串函数
- Javascript 日期对象简介
- Javascript 日期对象用途
- Date 对象属性和方法
- Javascript 数组是什么
- Javascript 创建数组
- Javascript 数组赋值与取值
- Javascript 数组属性和方法