视觉层(Vision Layers)及参数

本文详细介绍了Caffe中视觉层的参数配置与运作原理,包括卷积层(Convolution)、池化层(Pooling)、局部响应归一化层(LocalResponseNormalization)及im2col层。文中针对每种层提供了具体的参数解释与示例配置。

原文:https://www.cnblogs.com/denny402/p/5071126.html

所有的层都具有的参数,如name, type, bottom, top和transform_param请参看我的前一篇文章:Caffe学习系列(2):数据层及参数

本文只讲解视觉层(Vision Layers)的参数,视觉层包括Convolution, Pooling, Local Response Normalization (LRN), im2col等层。

1、Convolution层:

就是卷积层,是卷积神经网络(CNN)的核心层。

层类型:Convolution

  lr_mult: 学习率的系数,最终的学习率是这个数乘以solver.prototxt配置文件中的base_lr。如果有两个lr_mult, 则第一个表示权值的学习率,第二个表示偏置项的学习率。一般偏置项的学习率是权值学习率的两倍。

在后面的convolution_param中,我们可以设定卷积层的特有参数。

必须设置的参数:

    num_output: 卷积核(filter)的个数

    kernel_size: 卷积核的大小。如果卷积核的长和宽不等,需要用kernel_h和kernel_w分别设定

其它参数:

     stride: 卷积核的步长,默认为1。也可以用stride_h和stride_w来设置。

     pad: 扩充边缘,默认为0,不扩充。 扩充的时候是左右、上下对称的,比如卷积核的大小为5*5,那么pad设置为2,则四个边缘都扩充2个像素,即宽度和高度都扩充了4个像素,这样卷积运算之后的特征图就不会变小。也可以通过pad_h和pad_w来分别设定。

      weight_filler: 权值初始化。 默认为“constant",值全为0,很多时候我们用"xavier"算法来进行初始化,也可以设置为”gaussian"
      bias_filler: 偏置项的初始化。一般设置为"constant",值全为0。
      bias_term: 是否开启偏置项,默认为true, 开启
      group: 分组,默认为1组。如果大于1,我们限制卷积的连接操作在一个子集内。如果我们根据图像的通道来分组,那么第i个输出分组只能与第i个输入分组进行连接。
 
输入:n*c 0*w 0*h 0
输出:n*c 1*w 1*h 1
其中,c 1就是参数中的num_output,生成的特征图个数
 w 1=(w 0+2*pad-kernel_size)/stride+1;
 h 1=(h 0+2*pad-kernel_size)/stride+1;
如果设置stride为1,前后两次卷积部分存在重叠。如果设置pad=(kernel_size-1)/2,则运算后,宽度和高度不变。
示例:
复制代码
layer {
  name: "conv1"
  type: "Convolution"
  bottom: "data"
  top: "conv1"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  convolution_param {
    num_output: 20
    kernel_size: 5
    stride: 1
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
复制代码
  2、Pooling层
也叫池化层,为了减少运算量和数据维度而设置的一种层。
层类型:Pooling
必须设置的参数:
     kernel_size: 池化的核大小。也可以用kernel_h和kernel_w分别设定。
其它参数:
   pool: 池化方法,默认为MAX。目前可用的方法有MAX, AVE, 或STOCHASTIC
  pad: 和卷积层的pad的一样,进行边缘扩充。默认为0
  stride: 池化的步长,默认为1。一般我们设置为2,即不重叠。也可以用stride_h和stride_w来设置。
 示例:
复制代码
layer {
  name: "pool1"
  type: "Pooling"
  bottom: "conv1"
  top: "pool1"
  pooling_param {
    pool: MAX
    kernel_size: 3
    stride: 2
  }
}
复制代码

pooling层的运算方法基本是和卷积层是一样的。

输入:n*c*w 0*h 0
输出:n*c*w 1*h 1
和卷积层的区别就是其中的c保持不变
 w 1=(w 0+2*pad-kernel_size)/stride+1;
 h 1=(h 0+2*pad-kernel_size)/stride+1;
如果设置stride为2,前后两次卷积部分不重叠。100*100的特征图池化后,变成50*50.
 
3、Local Response Normalization (LRN)层
此层是对一个输入的局部区域进行归一化,达到“侧抑制”的效果。可去搜索AlexNet或GoogLenet,里面就用到了这个功能
 层类型:LRN
参数:全部为可选,没有必须
  local_size: 默认为5。如果是跨通道LRN,则表示求和的通道数;如果是在通道内LRN,则表示求和的正方形区域长度。
  alpha: 默认为1,归一化公式中的参数。
  beta: 默认为5,归一化公式中的参数。
  norm_region: 默认为ACROSS_CHANNELS。有两个选择,ACROSS_CHANNELS表示在相邻的通道间求和归一化。WITHIN_CHANNEL表示在一个通道内部特定的区域内进行求和归一化。与前面的local_size参数对应。
 
归一化公式:对于每一个输入, 去除以 ,得到归一化后的输出
 
示例:
复制代码
layers {
  name: "norm1"
  type: LRN
  bottom: "pool1"
  top: "norm1"
  lrn_param {
    local_size: 5
    alpha: 0.0001
    beta: 0.75
  }
}
复制代码

4、im2col层

如果对matlab比较熟悉的话,就应该知道im2col是什么意思。它先将一个大矩阵,重叠地划分为多个子矩阵,对每个子矩阵序列化成向量,最后得到另外一个矩阵。

 

看一看图就知道了:

在caffe中,卷积运算就是先对数据进行im2col操作,再进行内积运算(inner product)。这样做,比原始的卷积操作速度更快。

看看两种卷积操作的异同:


### Vision Transformer 的关键参数及配置 Vision Transformer (ViT) 是一种基于Transformer架构的模型,用于处理计算机视觉任务。为了有效应用 ViT,理解其关键参数及其配置至关重要。 #### 图像划分与嵌入维度 - **Patch Size**: 输入图像被划分为多个不重叠的小方块(patch),每个 patch 被视为一个 token。常见的 patch 大小为 16×16 或者 32×32 像素[^2]。 - **Embedding Dimension (`d_model`)**: 每个 image patch 都会被映射到一个高维向量空间中,这个向量的空间大小即 embedding dimension。通常设置为512或768等较大数值。 ```python image_size = 224 # 输入图片尺寸 patch_size = 16 # 单位patch边长 embed_dim = 768 # Embedding维度 ``` #### 自注意力机制相关超参 - **Number of Heads (`n_heads`)**: Multi-head Self Attention 中 head 的数量决定了并行计算 attention 的次数。一般取值范围是从8到16之间[^1]。 - **Feed Forward Network Dimensions (`ff_dim`)**: FFN 内部线性变换后的中间状态维度,往往比 `d_model` 更大一些,比如可以设成它的四倍。 ```python num_heads = 12 # 注意力头数 mlp_ratio = 4 # MLP隐藏扩展比例 feedforward_dim = embed_dim * mlp_ratio # 计算FFN维度 ``` #### 编码器数与其他重要组件 - **Depth (`depth` or `layers`)**: 整体编码器由若干相同结构的 layer 组合而成,layer 数量影响着模型表达能力以及训练难度。典型情况下会选取6, 12这样的偶数作为 depth 参数。 - **Positional Encoding**: 由于原始 Transformer 并不具备位置敏感特性,因此需要额外加入 Positional Encodings 来提供序列顺序信息给模型学习。对于静态长度的任务来说,可以直接采用正弦波形式的位置编码;而对于动态变化的情况,则可能需要用到可学习的位置编码方式。 ```python encoder_layers = 12 # Encoder数 use_learnable_pos_emb = True # 是否使用可学习的位置编码,默认False代表sinusoidal positional encoding ``` #### 数据预处理和其他辅助选项 - **Normalization Type**: 归一化方法的选择也会影响最终效果,LayerNorm 和 Post-LayerNorm 是两种常见的方式。 - **Dropout Rate**: Dropout 技术有助于防止过拟合并提高泛化性能,合理设定 dropout rate 对于稳定训练过程非常重要。 ```python norm_type = 'pre' # Layer normalization放置位置,'pre'/'post' dropout_rate = 0.1 # Dropout概率 ``` 通过上述这些核心参数的调整,可以根据具体应用场景来优化 Vision Transformer 的表现。值得注意的是,在实际部署过程中还需要考虑硬件资源限制等因素来进行适当裁剪和简化。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值