概述
這種密集的連接可以銳化梯度流,鼓勵特徵重用,並以比同類深度網路少得多的參數達到很高的準確性。
深入探討
DenseNet 由 Huang、Liu、van der Maaten 和 Weinberger 於 2017 年提出,以前饋方式將每個層與其他層連接起來。總層數為 L 的層具有 L(L+1)/2 個直接連接,而不是通常的 L。至關重要的是,DenseNet 連接傳入的特徵圖,而不是像 ResNet 那樣對它們求和,因此每一層都看到所有早期層的集體知識,並且僅貢獻少量新圖(其增長率,通常為 k=12 或 32)。網路被分成由下方取樣的過渡層分隔的密集塊。這種設計緩解了梯度消失問題,增強了特徵傳播,而且參數效率很高:DenseNet-BC 的參數大約相當於 ImageNet 上 ResNet 的三分之一。
現實世界的實施
醫學影像管道(例如用於肺炎檢測的 CheXNet)建構了 DenseNet-121 主幹網,以高靈敏度對胸部 X 射線進行分類。
植物病害和作物分類行動應用程式使用緊湊的 DenseNet,因為它們用很少的參數就能達到很好的準確性。
衛星和遙感土地覆蓋分類利用密集的特徵重用來區分細微的紋理差異。
記憶體有限設備上的嵌入式視覺使用 DenseNet-BC 變體以較低的儲存成本獲得 ResNet 等級的精確度。
DenseNet 和密集連結的未來
由於視覺變換器和 ConvNeXt 風格的設計引領基準,純 DenseNet 不再占主導地位,但密集連接仍然具有影響力。它的串聯思想再次出現在高效的主幹網、醫學成像模型和分段解碼器中,其中功能重用在記憶體預算緊張的情況下很重要。預計混合設計會借用邊緣設備的密集跳躍模式,並繼續使用標記資料稀缺且參數效率超過原始規模的 DenseNet 變體。
付諸實踐
為什麼這很重要
- 成本與預算. 多年來,架構決策決定著效能和營運成本。
- 更明確的決策. 技術教育幫助團隊選擇正確的堆疊,而不僅僅是最新的堆疊。
- 品質管控. 更好的工程選擇可以減少生產中的可靠性事故。
留意
- 優化一項基準測試可以隱藏更廣泛的系統弱點。
- 基礎設施和維護成本常常被低估。
- 隨著系統變得更加複雜,安全性和可觀察性差距可能會擴大。
後續步驟
- 在實施之前定義延遲、品質和成本目標。
- 在實際負載和資料條件下進行基準測試。
- 儀器監控錯誤、漂移和使用者影響。
- 在擴展之前準備回滾和事件回應路徑。
不斷探索
常見問題
什麼是 DenseNet 和密集連結?
DenseNet 是一個卷積網絡,其中每一層都接收所有前面層的特徵圖作為輸入。這種密集的連接可以銳化梯度流,鼓勵特徵重用,並以比同類深度網路少得多的參數達到很高的準確性。
DenseNet 使用什麼操作來組合前面各層的特徵圖?
DenseNet 沿著通道維度連接所有早期層的特徵圖,這與 ResNet 添加它們不同。
在DenseNet中,「成長率」k控制什麼?
每層僅輸出 k 個新特徵圖,保持通道線性增長和模型緊湊。
密集區塊中的 L 層之間有多少直接連接?
將每一層連接到所有後續層會產生 L(L+1)/2 直接連接。
DenseNet 中過渡層的主要用途是什麼?
過渡層使用 1x1 卷積和池化來壓縮和下採樣密集區塊之間的特徵圖。
密集連結的一個主要好處是它有助於緩解哪些訓練問題?
與損失的直接連接為每一層提供了一條短梯度路徑,緩解了梯度消失並實現了深度監督。