李沐动手学深度学习V2-GoogLeNet模型和代码实现

1. 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。 毕竟，以前流行的网络使用小到 1×1 ，大到 11×11 的卷积核。 本文的一个观点是，有时使用不同大小的卷积核组合是有利的。

1.1 Inception块

在GoogLeNet中，基本的卷积块被称为Inception块（Inception block）。这很可能得名于电影《盗梦空间》（Inception），因为电影中的一句话“我们需要走得更深”（“We need to go deeper”）。
Inception块由四条并行路径组成。 前三条路径使用窗口大小为 1×1 、 3×3 和 5×5 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 1×1 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 3×3 最大汇聚层，然后使用 1×1 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，最后我们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。如下图所示
为什么第二条路径和第三条路径需要先接1x1卷积，再接3x3卷积或者5x5卷积？因为目的是减少Inception块的卷积层权重参数，1x1卷积最主要作用是融合不同通道的信息，降低通道数，减少卷积层的权重参数。第二条路径输入通道数为k，如果1x1卷积后的通道数降为m，3x3卷积输出的通道数为n，则第二条路径使用1x1卷积层后的权重参数为：mxkx1x1+nxmx3x3 ，如果不使用1x1卷积层，则第二条路径的权重参数为：nxkx3x3 (远大于使用1x1卷积层的权重参数)，另外3x3汇聚层主要作用是降低卷积层对位置的敏感性。
为什么GoogLeNet这个网络如此有效呢？ 首先我们考虑一下滤波器（filter）的组合，它们可以用各种滤波器尺寸探索图像，这意味着不同大小的滤波器可以有效地识别不同范围的图像细节。 同时，我们可以为不同的滤波器分配不同数量的参数。

1.2 Inception块代码实现

import d2l.torch
import torch
from torch import nn
from torch.nn import  functional as F
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):
        super(Inception, self).__init__()
        # 线路1，单1x1卷积层
        self.p1_1 = nn.Conv2d(in_channels=in_channels,out_channels=c1,kernel_size=1,stride=1,padding=0)
        # 线路2，1x1卷积层后接3x3卷积层
        self.p2_1 = nn.Conv2d(in_channels=in_channels,out_channels=c2[0],kernel_size=1,padding=0,stride=1)
        self.p2_2 = nn.Conv2d(in_channels=c2[0],out_channels=c2[1],kernel_size=3,padding=1,stride=1)
        # 线路3，1x1卷积层后接5x5卷积层
        self.p3_1 = nn.Conv2d(in_channels=in_channels,out_channels=c3[0],kernel_size=1,padding=0,stride=1)
        self.p3_2 = nn.Conv2d(in_channels=c3[0],out_channels=c3[1],kernel_size=5,padding=2,stride=1)
        # 线路4，3x3最大汇聚层后接1x1卷积层，汇聚层主要作用是降低卷积层对位置的敏感性，1x1卷积层主要是融合不同通道的信息，降低通道数，减少卷积层的权重参数
        self.p4_1 = nn.MaxPool2d(kernel_size=3,padding=1,stride=1)
        self.p4_2 = nn.Conv2d(in_channels=in_channels,out_channels=c4,kernel_size=1,padding=0,stride=1)

    def forward(self,X):
        #使用torch.nn.functional中的relu()函数，而不是nn.ReLU()函数
        #错误解决链接：https://discuss.pytorch.org/t/i-am-trying-to-build-a-simple-resnet-model-but-getting-an-error-conv2d-received-an-invalid-combination-of-arguments/134141
        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)

1.3 GoogLeNet模型

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，多个Inception块组合在一起（并且Inception块第二条第三条路径中两个卷积层也是组合在一起）是从VGG块中卷积层可以组合在一起的思想得来的，同时吸收了NiN中串联网络（NiN块使用多个1x1卷积层串联组合在一起）的思想，全局平均汇聚层避免了在最后使用全连接层（NiN网络最后也是使用全局汇聚层来去除全连接层的使用，从而大量减少了全连接层所需的权重参数），架构如下图所示。

1.4 GoogleNet每个块的实现

1. 第一个模块使用64个通道、 7