如何看训练权重里面包含的全部内容训练不用预训练权重

转载

编程小天匠 2024-05-13 14:20:34

文章标签 全连接权重 github 文章分类 深度学习人工智能

如何看训练权重里面包含的全部内容训练不用预训练权重_github

核心思想：

提出背景：现有网络很多都是主要在空间维度方面来进行特征通道间的融合（如Inception的多尺度）。卷积核通常被看做是在局部感受野上，将空间上和特征维度上的信息进行聚合的信息聚合体。
特征重标定：通过学习的方式来自动获取到每个特征通道的重要程度（即feature map层的权重），以增强有用的特征，抑制不重要的特征。
Squeeze：全局信息嵌入，全局平均池化成1*1
Excitation：自适应调整，用两个全连接，训练参数W，得到每通道的权重s

如何看训练权重里面包含的全部内容训练不用预训练权重_权重_02

SE模块

总流程：X经过一系列传统卷积得到U，对U先做一个Global Average Pooling（Fsq），输出的1x1xC数据再经过两级全连接（Fex），最后用sigmoid限制到[0, 1]的范围，把这个值作为scale乘到U的C个通道上，输入到下级。
Squeeze：顺着空间维度来压缩特征，就是在空间上做全局平均池化，每个通道的二维特征变成了一个实数，这个实数某种程度上具有全局的感受野，并且输出的维度和输入的通道数相匹配。

用GAP是因为scale是对整个通道作用的，利用的是通道间的相关性，要屏蔽掉空间分布相关性的干扰。

如何看训练权重里面包含的全部内容训练不用预训练权重_权重_03

Excitation：用2个全连接来实现，第一个全连接把C个通道压缩成了C/r个通道来降低计算量（后面跟了RELU，增加非线性并减少计算量），r是指压缩的比例一般取r=16；第二个全连接再恢复回C个通道（后面跟了Sigmoid归一化到0~1），Sigmoid后得到权重 s。s就是U中C个feature map的权重，通过训练的参数 w 来为每个特征通道生成权重s，其中参数 w 被学习用来显式地建模特征通道间的相关性。

用全连接是因为scale要基于全部数据集来训练得出，而不是基于单个batch，所以后面要加全连接层来进行训练。全连接层也融合了各通道的feature map信息。

如何看训练权重里面包含的全部内容训练不用预训练权重_全连接_04

Reweight（Scale）：将 Excitation 的输出的权重看做是经过特征选择后的每个特征通道的重要性，然后通过乘法逐通道加权到先前的特征上，这就完成了在通道维度上的对原始特征的重标定。

低层级中scale的分布和输入的类别无关；靠后层级的scale大小和输入的类别强相关；在倒数第2层几乎所有的scale都饱和，大多数激活都接近于1，当所有激活都取值1时，SE块就会缩减为identity操作符；而最后一层的scale在不同的类上出现了类似的模式，不太重要。去掉最后阶段的SE块可以显著减少额外的参数计数，性能损失很小，因为越往后通道越多参数越大。

如何看训练权重里面包含的全部内容训练不用预训练权重_全连接_05

嵌入到现有网络中
SE 模块可以嵌入到现在几乎所有的网络结构中，左图是将 SE 模块嵌入到 Inception 结构；右图是将 SE 嵌入到 ResNet 模块中，在 Addition 前对分支上 Residual 的特征进行了特征重标定，否则如果对 Addition 后主支上的特征进行重标定，由于在主干上存在 0~1 的 scale 操作，在网络较深 BP 优化时就会在靠近输入层容易出现梯度消散的情况，导致模型难以优化。

如何看训练权重里面包含的全部内容训练不用预训练权重_全连接_06

fc后面的内括号表示SE模块中两个完全连接的层的输出维度。

如何看训练权重里面包含的全部内容训练不用预训练权重_github_07

论文测试结果
在所有的结构上SENet要比非SENet的准确率更高出1%左右，而计算复杂度上只是略微有提升（增加的主要是全连接层，全连接层其实主要还是增加参数量，对速度影响不会太大）。在MobileNet上提升更高。而且SE块会使训练和收敛更容易。CPU推断时间的基准测试：224×224的输入图像，ResNet-50 164ms，SE-ResNet-50 167ms。

如何看训练权重里面包含的全部内容训练不用预训练权重_全连接_08