|
|
|
|
移动端

9大主题卷积神经网络(CNN)的PyTorch实现

对于各种卷积神经网络模型的实现,本文将介绍它们的 PyTorch 实现,非常有用!

作者:佚名来源:深度学习这件小事|2020-09-18 11:40

大家还记得这张图吗?

深度系统介绍了 52 个目标检测模型,纵观 2013 年到 2020 年,从最早的 R-CNN、OverFeat 到后来的 SSD、YOLO v3 再到去年的 M2Det,新模型层出不穷,性能也越来越好!

上文聚焦于源码和论文,对于各种卷积神经网络模型的实现,本文将介绍它们的 PyTorch 实现,非常有用!

这份资源已经开源在了 GitHub 上,链接如下:

https://github.com/shanglianlm0525/PyTorch-Networks

先来个总结介绍,该系列的卷积神经网络实现包含了 9 大主题,目录如下:

1. 典型网络

2. 轻量级网络

3. 目标检测网络

4. 语义分割网络

5. 实例分割网络

6. 人脸检测和识别网络

7. 人体姿态识别网络

8. 注意力机制网络

9. 人像分割网络

下面具体来看一下:

1. 典型网络(Classical network)

典型的卷积神经网络包括:AlexNet、VGG、ResNet、InceptionV1、InceptionV2、InceptionV3、InceptionV4、Inception-ResNet。

以 AlexNet 网络为例,AlexNet 是 2012 年 ImageNet 竞赛冠军获得者 Hinton 和他的学生 Alex Krizhevsky 设计的。AlexNet 中包含了几个比较新的技术点,也首次在 CNN 中成功应用了 ReLU、Dropout 和 LRN 等 Trick。同时 AlexNet 也使用了 GPU 进行运算加速。

AlexNet 网络结构的 PyTorch 实现方式如下:

  1. import torch  
  2. import torch.nn as nn  
  3. def Conv3x3BNReLU(in_channels,out_channels,stride,padding=1):  
  4.     return nn.Sequential(  
  5.             nn.Conv2d(in_channelsin_channels=in_channels, out_channelsout_channels=out_channels, kernel_size=3stridestride=stride, padding=1),  
  6.             nn.BatchNorm2d(out_channels),  
  7.             nn.ReLU6(inplace=True
  8.         )  
  9. def Conv1x1BNReLU(in_channels,out_channels):  
  10.     return nn.Sequential(  
  11.             nn.Conv2d(in_channelsin_channels=in_channels, out_channelsout_channels=out_channels, kernel_size=1stride=1padding=0),  
  12.             nn.BatchNorm2d(out_channels),  
  13.             nn.ReLU6(inplace=True 
  14.         )  
  15. def ConvBNReLU(in_channels,out_channels,kernel_size,stride,padding=1):  
  16.     return nn.Sequential( 
  17.             nn.Conv2d(in_channelsin_channels=in_channels, out_channelsout_channels=out_channels, kernel_sizekernel_size=kernel_size, stridestride=stride, paddingpadding=padding), 
  18.             nn.BatchNorm2d(out_channels),  
  19.             nn.ReLU6(inplace=True 
  20.         )  
  21. def ConvBN(in_channels,out_channels,kernel_size,stride,padding=1):  
  22.     return nn.Sequential(  
  23.             nn.Conv2d(in_channelsin_channels=in_channels, out_channelsout_channels=out_channels, kernel_sizekernel_size=kernel_size, stridestride=stride, paddingpadding=padding), 
  24.             nn.BatchNorm2d(out_channels)  
  25.         )  
  26. class ResidualBlock(nn.Module):  
  27.     def __init__(self, in_channels, out_channels):  
  28.         super(ResidualBlock, self).__init__()  
  29.         mid_channels = out_channels//2  
  30.         self.bottleneck = nn.Sequential(  
  31.             ConvBNReLU(in_channelsin_channels=in_channels, out_channels=mid_channelskernel_size=1stride=1),  
  32.             ConvBNReLU(in_channels=mid_channelsout_channels=mid_channelskernel_size=3stride=1padding=1),  
  33.             ConvBNReLU(in_channels=mid_channelsout_channelsout_channels=out_channels, kernel_size=1stride=1),  
  34.         )  
  35.         self.shortcut = ConvBNReLU(in_channelsin_channels=in_channels, out_channelsout_channels=out_channels, kernel_size=1stride=1 
  36.     def forward(self, x):  
  37.         out = self.bottleneck(x)  
  38.         return out+self.shortcut(x) 

2.轻量级网络(Lightweight)

轻量级网络包括:GhostNet、MobileNets、MobileNetV2、MobileNetV3、ShuffleNet、ShuffleNet V2、SqueezeNet Xception MixNet GhostNet。

以 GhostNet 为例,同样精度,速度和计算量均少于此前 SOTA 算法。GhostNet 的核心是 Ghost 模块,与普通卷积神经网络相比,在不更改输出特征图大小的情况下,其所需的参数总数和计算复杂度均已降低,而且即插即用。

GhostNet 网络结构的 PyTorch 实现方式如下:

https://github.com/shanglianlm0525/PyTorch-Networks/blob/master/Lightweight/GhostNet.py

3. 目标检测网络(ObjectDetection)

目标检测网络包括:SSD、YOLO、YOLOv2、YOLOv3、FCOS、FPN、RetinaNet Objects as Points、FSAF、CenterNet FoveaBox。

以 YOLO 系列为例,YOLO(You Only Look Once)是一种基于深度神经网络的对象识别和定位算法,其最大的特点是运行速度很快,可以用于实时系统。目前 YOLOv3 应用比较多。

YOLOV3 网络结构的 PyTorch 实现方式如下:

https://github.com/shanglianlm0525/PyTorch-Networks/blob/master/ObjectDetection/YOLOv3.py

4. 语义分割网络(SemanticSegmentation)

语义分割网络包括:FCN、Fast-SCNN、LEDNet、LRNNet、FisheyeMODNet。

以 FCN 为例,FCN 诞生于 2014 的语义分割模型先驱,主要贡献为在语义分割问题中推广使用端对端卷积神经网络,使用反卷积进行上采样。FCN 模型非常简单,里面全部是由卷积构成的,所以被称为全卷积网络,同时由于全卷积的特殊形式,因此可以接受任意大小的输入。

FCN 网络结构的 PyTorch 实现方式如下:

https://github.com/shanglianlm0525/PyTorch-Networks/blob/master/SemanticSegmentation/FCN.py

5. 实例分割网络(InstanceSegmentation)

实例分割网络包括:PolarMask。

6. 人脸检测和识别网络(commit VarGFaceNet)

人脸检测和识别网络包括:FaceBoxes、LFFD、VarGFaceNet。

7. 人体姿态识别网络(HumanPoseEstimation)

人体姿态识别网络包括:Stacked Hourglass、Networks Simple Baselines、LPN。

8. 注意力机制网络

注意力机制网络包括:SE Net、scSE、NL Net、GCNet、CBAM。

9. 人像分割网络(PortraitSegmentation)

人像分割网络包括:SINet。

综上,该 GitHub 开源项目展示了近些年来主流的 9 大类卷积神经网络,总共包含了几十种具体的网络结构。其中每个网络结构都有 PyTorch 实现方式。还是很不错的。

【编辑推荐】

  1. 人工智能可以帮助医疗保健做出诊断和治疗决策
  2. 人工智能在机械故障诊断中的应用方向
  3. 理解卷积神经网络中的自注意力机制
  4. 人工智能就业方向及前景
  5. 解读当前美国人工智能就业市场的规模
【责任编辑:庞桂玉 TEL:(010)68476606】

点赞 0
分享:
大家都在看
猜你喜欢

订阅专栏+更多

云原生架构实践

云原生架构实践

新技术引领移动互联网进入急速赛道
共3章 | KaliArch

13人订阅学习

数据中心和VPDN网络建设案例

数据中心和VPDN网络建设案例

漫画+案例
共20章 | 捷哥CCIE

172人订阅学习

搭建数据中心实验Lab

搭建数据中心实验Lab

实验平台Datacenter
共5章 | ITGO(老曾)

111人订阅学习

订阅51CTO邮刊

点击这里查看样刊

订阅51CTO邮刊

51CTO服务号

51CTO官微