动手学深度学习（pytorch版）：第七章节—现代卷积神经网络（4）含并行连结的网络（GoogLeNet）

在2014年的ImageNet图像识别挑战赛中，一个名叫GoogLeNet的网络架构大放异彩。 GoogLeNet吸收了NiN中串联网络的思想，并在此基础上做了改进。 这篇论文的一个重点是解决了什么样大小的卷积核最合适的问题。 

1. Inception块

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

如上图所示，Inception块由四条并行路径组成。 前三条路径使用窗口大小为1 x 1、3 x3和5x5的卷积层，从不同空间大小中提取信息。 中间的两条路径在输入上执行1x1卷积，以减少通道数，从而降低模型的复杂性。 第四条路径使用3x3最大汇聚层，然后使用1x1卷积层来改变通道数。 这四条路径都使用合适的填充来使输入与输出的高和宽一致，最后将每条线路的输出在通道维度上连结，并构成Inception块的输出。在Inception块中，通常调整的超参数是每层输出通道数。

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是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)
        # 线路1，单1x1卷积层
        self.p1_1 = nn.Conv2d(in_channels, c1, kernel_size=1)
        # 线路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)
        # 线路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)
        # 线路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)))
        # 在通道维度上连结输出
        return torch.cat((p1, p2, p3, p4), dim=1)

2. GoogLeNet模型

下图所示，GoogLeNet一共使用9个Inception块和全局平均汇聚层的堆叠来生成其估计值。Inception块之间的最大汇聚层可降低维度。 第一个模块类似于AlexNet和LeNet，Inception块的组合从VGG继承，全局平均汇聚层避免了在最后使用全连接层。

现在，逐一实现GoogLeNet的每个模块。第一个模块使用64个通道、7x7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))

第二个模块使用两个卷积层：第一个卷积层是64个通道、1x1卷积层；第二个卷积层使用将通道数量增加三倍的3x3卷积层。 这对应于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. 首先使用了 nn.Sequential 来创建一个序列化的神经网络模块，里面包含三个子模块：
   • 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
   • 第二个 Inception 模块：输入通道数为 256（与前一个 Inception 的输出通道数匹配），输出通道数分别为 128、(128,192)、(32,96) 和 64
   • 一个最大池化层 nn.MaxPool2d：使用 3x3 的卷积核，步长为 2，填充为 1

第四模块更加复杂，

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：

   • 输入通道数为 480（与前一个模块 b3 的输出通道匹配）
   • 各分支输出通道分别为 192、(96,208)、(16,48)、64

2. 后续的 4 个 Inception 模块：

   • 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）
   • 每个模块都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

3. 最后是一个最大池化层：

   • 使用 3x3 的卷积核，步长为 2，填充为 1
   • 作用是通过下采样减少特征图尺寸，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：

   • 输入通道数为 832（与前一个模块 b4 的输出通道匹配）
   • 各分支输出通道分别为 256、(160, 320)、(32, 128)、128

2. 第二个 Inception 模块：

   • 输入通道数为 832
   • 各分支输出通道分别为 384、(192, 384)、(48, 128)、128

3. nn.AdaptiveAvgPool2d((1,1))：

   • 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
   • 作用是压缩空间维度，保留通道维度的特征信息

4. nn.Flatten()：

   • 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模型的计算复杂，而且不如VGG那样便于修改通道数。 为了使Fashion-MNIST上的训练短小精悍，将输入的高和宽从224降到96，这简化了计算。下面演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

和以前一样，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())