import torch
from torch import nn
from torch.nn import functional as F
from d2l import torch as d2l
7.4.1 Inception块
GoogLNet 中的基本卷积块叫做 Inception 块（大概率得名于盗梦空间），由 4 条并行路径组成。
前 3 条路径使用窗口大小为 \(1\times 1\)、 \(3\times 3\) 和 \(5\times 5\) 的卷积层；
中间 2 条路径在输入上执行 \(1\times 1\) 卷积，以减少通道数，从而降低模型的复杂度；
第 4 条路径使用 \(3\times 3\) 的最大汇聚层；
最后使用 \(1\times 1\) 卷积层改变通道数。
回避了用哪种卷积核的问题，小孩子才做选择，Google全部都要。
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)
7.4.2 GoogLeNet 模型
GoogLetNet 一共使用 9 个 Inception 块和全局平均汇聚层来生成其估计值。
-
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。
b1 = nn.Sequential( # 第一个模块使用64个通道、3*3的卷积层。
nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3),
nn.ReLU(),
nn.MaxPool2d(kernel_size=3, stride=2, padding=1))
b2 = nn.Sequential( # 第二个模块使用一个64个通道、1*1卷积层的卷积层和一个卷积层使用192的通道、3*3的卷积层。这对应于Inception块中的第二条路径。
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))
b3 = nn.Sequential( # 串联两个Inception模块
Inception(192, 64, (96, 128), (16, 32), 32), # 输出通道数为 64+128+32+32=256 各路径输出比例为 64:128:32:32=2:4:1:1
Inception(256, 128, (128, 192), (32, 96), 64), # 输出通道数为 128+192+96+64=480 各路径输出比例为 128:196:96:64=4:6:3:2
nn.MaxPool2d(kernel_size=3, stride=2, padding=1))
b4 = nn.Sequential( # 串联五个Inception模块
Inception(480, 192, (96, 208), (16, 48), 64), # 输出通道数为 192+208+48+64=512
Inception(512, 160, (112, 224), (24, 64), 64), # 输出通道数为 160+224+64+64=512
Inception(512, 128, (128, 256), (24, 64), 64), # 输出通道数为 128+256+64+64=512
Inception(512, 112, (144, 288), (32, 64), 64), # 输出通道数为 112+288+64+64=528
Inception(528, 256, (160, 320), (32, 128), 128), # 输出通道数为 256+320+128+128=832
nn.MaxPool2d(kernel_size=3, stride=2, padding=1))
b5 = nn.Sequential( # 串联两个Inception模块
Inception(832, 256, (160, 320), (32, 128), 128), # 输出通道数为 256+320+128+128=832
Inception(832, 384, (192, 384), (48, 128), 128), # 输出通道数为 384+384+128+128=1024
nn.AdaptiveAvgPool2d((1,1)),
nn.Flatten())
net = nn.Sequential(b1, b2, b3, b4, b5, nn.Linear(1024, 10))
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])
7.4.3 训练模型
lr, num_epochs, batch_size = 0.1, 10, 128
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, resize=96) # 输入宽高降为96以减小计算量
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu()) # 大约需要二十分钟，慎跑
loss 0.297, train acc 0.887, test acc 0.861
542.8 examples/sec on cuda:0
练习
（1）GoogLeNet 有一些后续版本如下，尝试实现并运行它们，并观察实验结果。
a. 添加批量规范层
b. 对 Inception 进行调整
c. 使用标签平滑进行模型正则化
d. 加入残差连接
（2）使用 GoogLeNet 的最小图像大小是多少？
最小图像大小应该是 \(3\times 3\)
因为 \(5\times 5\)卷积核、2填充、1步幅至少需要 \(3\times 3\)大小的图像才能使输出大于零
（3）将AlexNet、VGG 和 NiN 的模型参数大小与 GoogLeNet 进行比较。后两个网络架构是如何显著减少模型参数大小的？
用 \(1\times 1\) 的卷积数取代全连接层让参数变小。