CNN模型合集 | Resnet变种-WideResnet解读

墨明棋妙27

发布于 2022-09-23 11:36:50

8080

发布于 2022-09-23 11:36:50

文章被收录于专栏：1996

论文题目：Wide Residual Networks
代码链接：https://github.com/szagoruyko/wide-residual-networks

所要解决的问题

Resnet被证明能够扩展到数千层，并且仍然具有改进的性能。然而，每提高一个百分点的精确度，就要花费将近两倍的层数，因此训练非常深的Resnet存在着减少特征重用的问题，这使得这些网络的训练速度非常慢。为所以该篇论文提出了一种新的体系结构，减少了网络的深度，增加了网络的宽度，这种结构称为宽残差网络（WRN），宽度即网络输出通道数，并通过实验证明它们远远优于常用的薄而深的网络结构。

设计思想

提出了一种新的加宽网络，以提高模型性能；
增加深度和宽度都有好处，但都会参数太大，导致正则化不够容易过拟合，wide-resnet使用dropout来正则化，防止模型训练过拟合；
提高训练速度，相同参数，WideResNet的训练速度快于ResNet。

简介

网络

如上图所示，wide-resnet只比Resnet多了一个加宽因子k，原来架构相当于K=1，N表示组中的块数。

网络由一个初始卷积层conv1组成，然后是residual block的conv2、conv3和conv4的3组（每个大小为N），然后是平均池和最终分类层。在实验中，conv1的大小都是固定的，而引入的加宽因子k缩放了三组conv2-4中剩余块的宽度。

与原始架构相比，residual block中的批量归一化、激活和卷积的顺序从conv-BN-ReLU更改为BN-ReLU-conv。卷积核都用3*3；正则化使用dropout，而ResNet用的BN在这里不好用了。

结构单元

结构单元

a是最基本的ResNet结构，b 是用了bottleneck（瓶颈）的ResNet结构；
d是在最基本的ResNet结构上加入dropout层的WideResNet结构。

增加Conv的Output channels数目即使用更多的conv filters进行计算，所谓的增宽block；

Residual block里面使用的conv层次结构

设B（M）表示剩余块结构，其中M是块中卷积层的核大小列表。例如，B（3,1）表示具有3×3和1×1两个卷积层的剩余块，B(3,1,1)表示3×3和1×1和1×1三个卷积层组成，以此类推；作者做实验设计了几个不同的conv层次，以此来验证residual block中最佳的conv结构。

设计的不同conv层次结构

实验结果

下图为以上各个结构最终能够获得的分类结果比较（注意在实验时作者为保证训练所用参数相同，因此不同类型block构成的网络的深度会有不同）。可见B(3,3)能取得最好的结果，这也证明了常用Residual block的有效性接下来的实验中，作者保持了使用B(3,3)这种Residual block结构。

Residual block中的conv层数

以l表示单个Residual block里面conv层的数目，以d表示整体网络所具有的residual blocks的数目。通过保持整体训练所用参数不变，作者研究、分析了residual block内conv层数目不同所带来的性能结果差异。从中我们能够看出residual block里面包含2个conv层分类性能可达最优。

l数目对比结果

Residual block内宽度

k表示wide-resnet加宽因子，当我们增加加宽参数k时，必须保持总参数不变。为了找到一个最佳的数值，我们用k从2到12，深度从16到40进行实验。结果如下表所示。可以看出，当宽度因子从1增加到12时，所有具有40、22和16层的网络都可以看到精度上升。另一方面，当保持相同的固定加宽系数k=8或k=10且深度从16变为28时，也能提升相关性能，但是当我们进一步将深度增加到40时，精度会降低（例如，WRN-40-8的精度会降低到WRN-22-8）。

Residual block中Dropout的引入

加宽Residual block势必会带来训练参数的增加，为了避免模型陷入过拟合，作者在Residual block中引入了dropout。另外作者实验表明将Dropout加入在conv层之后比加入在identity mapping连接上可带来更好的效果。因此这里引入的Dropout被放在了Conv出来后的ReLu之后。下图中的结果反映出了Dropout带来的性能提升。