DenseNet完成Cifer10任务的效果验证

本文主要是介绍DenseNet完成Cifer10任务的效果验证，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

本文章是针对论文《2017-CVPR-DenseNet-Densely-Connected Convolutional Networks》中实验的复现，使用了几乎相同的超参数

一、论文中的实验

1.准确率

2.参数效率

3.不同网络结构之间的比较

二、超参数:

三、复现的实验结果：

1.DenseNet201 epoch=40:

2.DenseNet121 epoch=40:

3.ResNet18 epoch=40:

三、结论

1.准确率

2.参数效率

一、论文中的实验

在源论文中，作者使用CIFAR10，CIFAR100和SVHN三个数据集上使用了一些包括DenseNet-BC(以下统称DenseNet)和ReNet的网络进行测试，最终的错误率如下：

1.准确率

在没有数据增强的情况下，DenseNet的准确率显著超过了其他网络，在有数据增强的情况下，也有微弱优势

2.参数效率

在参数数量相等的情况下，DenseNet优更低的错误率，在达到相同错误率时，DenseNEt只用了1/3的参数

3.运算复杂度

要达到同样的错误率，DenseNet进行的浮点运算次数更少

4.不同网络结构之间的比较

网络层数越多，错误率越低

二、超参数:

#使用镜像加裁剪的数据增强，以及使用通道均值和标准差对数据进行归一化
transform_train = transforms.Compose([transforms.RandomHorizontalFlip(),transforms.RandomCrop(32, padding=4),transforms.ToTensor(),transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)),
])#使用通道均值和标准差对数据进行归一化
transform_test = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)),
])

#载入训练集50000张图片，batchsize=64
trainset = tv.datasets.CIFAR10(root='./data', train=True,download=True, transform=transform_train)
trainloader = t.utils.data.DataLoader(trainset, batch_size=64,shuffle=True, num_workers=0)
#载入测试集10000张图片
testset = tv.datasets.CIFAR10(root='./data', train=False,                                 download=True, transform=transform_test)
testloader = t.utils.data.DataLoader(testset, batch_size=64,shuffle=False, num_workers=0)
#使用GPU训练
MyDevice = t.device("cuda:0" if t.cuda.is_available() else "cpu")

# 权重初始化（本论文中直接引用的另一篇论文的权重初始化，这里也是直接拿过来用）
def weights_init(m):classname = m.__class__.__name__if classname.find('Conv') != -1:nn.init.kaiming_normal_(m.weight)elif classname.find('BatchNorm') != -1:nn.init.constant_(m.weight, 1)nn.init.constant_(m.bias, 0)net.apply(weights_init)
net=net.to(MyDevice)

#交叉熵损失函数
criterion = nn.CrossEntropyLoss()
#使用SGD优化，初始学习率为0.1，使用权重衰减为0.0001和0.9的Nesterov动量
optimizer = optim.SGD(net.parameters(), lr=0.1, momentum=0.9, weight_decay=1e-4)
#在训练周期为总周期的50%和75%时，学习率降低10倍
scheduler = MultiStepLR(optimizer, milestones=[20,30], gamma=0.1)

三、复现的实验结果：

论文中给出了DenseNet的四中结构，我们首先分别使用121和201使用同样的超参数进行了测试：

1.DenseNet201 epoch=40:

#直接使用pytorch提供的网络
net = models.densenet121(pretrained=False,num_classes=10).to(MyDevice)

2.DenseNet121 epoch=40:

#直接使用pytorch提供的网络
net = models.densenet121(pretrained=False,num_classes=10).to(MyDevice)

可以很明显的看出201相比121的优势很明显

对于ResNet，我们同样使用了最简单ResNet18和较复杂的ResNet101：

3.ResNet18 epoch=40:

net = models.resnet18(pretrained=False,num_classes=10).to(MyDevice)

4.ResNet101 epoch=40:

net = models.resnet101(pretrained=False,num_classes=10).to(MyDevice)

准确率极低，可能是过拟合导致的

三、结论

1.准确率

复现的实验准确率与论文中的实验准确率存在差距，原因可能是仍有部分超参数不同，论文中有一些超参数时直接引用的其他论文，没有给出具体参数，比如“We adopt a standard data aug-mentation scheme (mirroring/shifting) that is widely used for these two datasets[11, 13, 17, 22, 28, 20, 32, 34]”，我们没有时间和能力去读额外的论文，所以采用了便于实现的镜像+裁剪来进行数据增强。在权重初始化和定义优化函数时也遇到了类似的问题，所以实验并不是100%复现

在复现的实现中，ResNet18和DenseNet201的准确率几乎一样，与论文中使用数据增强时的结果类似