7.4 含并行连结的网络（GoogLeNet）

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”）。

如图1，输出和输入等高等宽，将4条路径结果按通道合并：

前三条路径使用窗口大小为 $1 \times 1$ 、 $3 \times 3$ 和 $5 \times 5$ 卷积层从不同空间大小中提取信息。
中间两条路径执行 $1 \times 1$ 卷积，以减少通道数，降低模型复杂性。
第四条路径使用 $3 \times 3$ 最大池化层，然后使用 $1 \times 1$ 改变通道数。

跟单 $3 \times 3$ 或 $5 \times 5$ 卷积层比，Inception块有更少的参数个数和计算复杂度。

	#parameters	FLOPS
Inception	0.16M	128M
$3 \times 3$ Conv	0.44M	346M
$5 \times 5$ Conv	1.22M	963M

1
import torch
2
from torch import nn
3
from torch.nn import functional as F
4
from d2l import torch as d2l
5

6
class Inception(nn.Module):
7
    # c1--c4是每条路径的输出通道数
8
    def __init__(self, in_channels, c1, c2, c3, c4, **kwargs):
9
        super(Inception, self).__init__(**kwargs)
10
        # 线路1，单1x1卷积层
11
        self.p1_1 = nn.Conv2d(in_channels, c1, kernel_size=1)
12
        # 线路2，1x1卷积层后接3x3卷积层
13
        self.p2_1 = nn.Conv2d(in_channels, c2[0], kernel_size=1)
14
        self.p2_2 = nn.Conv2d(c2[0], c2[1], kernel_size=3, padding=1)
15
        # 线路3，1x1卷积层后接5x5卷积层
16
        self.p3_1 = nn.Conv2d(in_channels, c3[0], kernel_size=1)
17
        self.p3_2 = nn.Conv2d(c3[0], c3[1], kernel_size=5, padding=2)
18
        # 线路4，3x3最大汇聚层后接1x1卷积层
19
        self.p4_1 = nn.MaxPool2d(kernel_size=3, stride=1, padding=1)
20
        self.p4_2 = nn.Conv2d(in_channels, c4, kernel_size=1)
21

22
    def forward(self, x):
23
        p1 = F.relu(self.p1_1(x))
24
        p2 = F.relu(self.p2_2(F.relu(self.p2_1(x))))
25
        p3 = F.relu(self.p3_2(F.relu(self.p3_1(x))))
26
        p4 = F.relu(self.p4_2(self.p4_1(x)))
27
        # 在通道维度上连结输出
28
        return torch.cat((p1, p2, p3, p4), dim=1)

那么为什么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。

GoogLeNet模型

如图2所示，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，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。

现在，我们逐一实现（照着抄）GoogLeNet的每个模块。

第一个模块：使用64个通道、 $7 \times 7$ 卷积层

1
b1 = nn.Sequential(nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3),
2
                   nn.ReLU(),
3
                   nn.MaxPool2d(kernel_size=3, stride=2, padding=1)
4
                  )

第二个模块：使用两个卷积层，对应Inception块中第二条路径。
- 64个通道、 $1 \times 1$ 卷积层
- 通道数增三倍的 $3 \times 3$ 卷积层

1
b2 = nn.Sequential(nn.Conv2d(64, 64, kernel_size=1),
2
                   nn.ReLU(),
3
                   nn.Conv2d(64, 192, kernel_size=3, padding=1),
4
                   nn.ReLU(),
5
                   nn.MaxPool2d(kernel_size=3, stride=2, padding=1)
6
                  )

第三个模块：串联两个完整的Inception块，输出通道分别是256和480。

1
b3 = nn.Sequential(Inception(192, 64, (96, 128), (16, 32), 32),
2
                   Inception(256, 128, (128, 192), (32, 96), 64),
3
                   nn.MaxPool2d(kernel_size=3, stride=2, padding=1)
4
                  )

第四个模块：串联了5个Inception块，输出通道数分别是512、512、512、528和832。

1
b4 = nn.Sequential(Inception(480, 192, (96, 208), (16, 48), 64),
2
                   Inception(512, 160, (112, 224), (24, 64), 64),
3
                   Inception(512, 128, (128, 256), (24, 64), 64),
4
                   Inception(512, 112, (144, 288), (32, 64), 64),
5
                   Inception(528, 256, (160, 320), (32, 128), 128),
6
                   nn.MaxPool2d(kernel_size=3, stride=2, padding=1)
7
                  )

第五个模块：包含输出通道为832和1024的两个Inception块。其后紧跟输出层，和NiN一样使用全局平均池化层，将每个通道变为 $1 \times 1$ 。最后我们将输出变成二维数组，再接上一个输出个数为标签类别数的全连接层。

这些猎奇的通道数是怎么搞出来了？托梦？

1
b5 = nn.Sequential(Inception(832, 256, (160, 320), (32, 128), 128),
2
                   Inception(832, 384, (192, 384), (48, 128), 128),
3
                   nn.AdaptiveAvgPool2d((1,1)),
4
                   nn.Flatten()
5
                  )
6

7
net = nn.Sequential(b1, b2, b3, b4, b5, nn.Linear(1024, 10))

为了使Fashion-MNIST上的训练短小精悍，我们将输入的高和宽从224降到96。

1
X = torch.rand(size=(1, 1, 96, 96))
2
for layer in net:
3
    X = layer(X)
4
    print(layer.__class__.__name__,'output shape:\t', X.shape)

1
Sequential output shape:   torch.Size([1, 64, 24, 24])
2
Sequential output shape:   torch.Size([1, 192, 12, 12])
3
Sequential output shape:   torch.Size([1, 480, 6, 6])
4
Sequential output shape:   torch.Size([1, 832, 3, 3])
5
Sequential output shape:   torch.Size([1, 1024])
6
Linear output shape:   torch.Size([1, 10])

训练模型

1
lr, num_epochs, batch_size = 0.1, 10, 128
2
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, resize=96)
3
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())

1
loss 0.244, train acc 0.907, test acc 0.877
2
2316.6 examples/sec on cuda:0

svg

一些改进

以上的Inception是v1版本，后来提出了一些改进版本：

Inception-BN(V2)：使用了 batch normalization
Inception-V3：修改了 Inception(包含诡异的 $1 \times 3$ 、 $3 \times 1$ 、 $1 \times 7$ 、 $7 \times 1$ Conv)
Inception-V4：使用残差连接

小结

Inception块相当于一个有4条路径的子网络。它通过不同窗口形状的卷积层和最大汇聚层来并行抽取信息，并使用 $1 \times 1$ 卷积层减少每像素级别上的通道维数从而降低模型复杂度。
GoogLeNet将多个设计精细的Inception块与其他层（卷积层、全连接层）串联起来。其中Inception块的通道数分配之比是在ImageNet数据集上通过大量的实验得来的。
GoogLeNet和它的后继者们一度是ImageNet上最有效的模型之一：它以较低的计算复杂度提供了类似的测试精度。