Глубокая сверточная сеть Pytorch не сходится на CIFAR10 - PullRequest
Новая
       12

Глубокая сверточная сеть Pytorch не сходится на CIFAR10

2 голосов
/ 01 мая 2019

Я скопировал образец сети CIFAR10 из учебника PyTorch и добавил больше слоев, включая BN. Даже после 45 эпох сеть достигает 68% точности классификации в тестовом наборе.

Сеть состоит из:

  • 2 сверточных слоя с ядрами 3x3 (размер входных данных уменьшается с 32 до 28 пикселей)
  • один максимальный слой пула (размер входных данных уменьшается с 28 до 14 пикселей)
  • 3 сверточных слоя с ядрами 3x3 (размер входных данных уменьшается с 14 до 8 пикселей)
  • Полностью подключенная сеть с 3 слоями из 256-> 256-> 10 нейронов
  • пакетное нормирование применяется ко всем слоям, включая сверточные слои, кроме последнего слоя FC
  • Relu применяется ко всем сверточным слоям и всем скрытым слоям FC

Я что-то неправильно собрал / использовал? 

import torch
import torchvision
import torchvision.transforms as transforms
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1_1 = nn.Conv2d(3, 16, 3)  # 32 -> 30
        self.bn1_1 = nn.BatchNorm2d(16)
        self.conv1_2 = nn.Conv2d(16, 16, 3) # 30 - > 28
        self.bn1_2 = nn.BatchNorm2d(16)
        self.pool = nn.MaxPool2d(2, 2)  # 28 -> 14
        self.conv2_1 = nn.Conv2d(16, 16, 3) # 14 -> 12
        self.bn2_1 = nn.BatchNorm2d(16)
        self.conv2_2 = nn.Conv2d(16, 16, 3) # 12 -> 10
        self.bn2_2 = nn.BatchNorm2d(16)
        self.conv2_3 = nn.Conv2d(16, 16, 3) # 10 -> 8
        self.bn2_3 = nn.BatchNorm2d(16)
        self.fc1 = nn.Linear(16 * 8 * 8, 256)
        self.bn4 = nn.BatchNorm1d(256)
        self.fc2 = nn.Linear(256, 256)
        self.bn5 = nn.BatchNorm1d(256)
        self.fc3 = nn.Linear(256, 10)

    def forward(self, x):
        x = F.relu(self.bn1_1(self.conv1_1(x)))
        x = self.pool(F.relu(self.bn1_2(self.conv1_2(x))))
        x = F.relu(self.bn2_1(self.conv2_1(x)))
        x = F.relu(self.bn2_2(self.conv2_2(x)))
        x = F.relu(self.bn2_3(self.conv2_3(x)))
        x = x.view(-1, 16 * 8 * 8)
        x = F.relu(self.bn4(self.fc1(x)))
        x = F.relu(self.bn5(self.fc2(x)))
        x = self.fc3(x)
        return x

net = Net()
device = 'cuda:0'
net.to(device)
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

transform = transforms.Compose(
        [transforms.ToTensor(),
         transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                            download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=8,
                                              shuffle=True, num_workers=2)

for epoch in range(128):  # loop over the dataset multiple times
    for i, data in enumerate(trainloader, 0):
        # get the inputs
        inputs, labels = data
        inputs, labels = inputs.to(device), labels.to(device)

        # zero the parameter gradients
        optimizer.zero_grad()

        # forward + backward + optimize
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

Примечание: добавлен тег "Python", чтобы код выделялся

Примечание: обновлен метод forward для применения F.relu к скрытым слоям FC

1 Ответ

0 голосов
/ 02 мая 2019

Использовать сигмовидную активацию для последнего слоя.

...