当前位置：网站首页>分形网络（FractalNet）----学习笔记

分形网络（FractalNet）----学习笔记

2022-08-09 23:25:00 【Wsyoneself】

  1. 这个网络的提出是为了证明residual对于极深的网络并不是必须的。
  2. 通过一种分形的结构，达到了teacher-student机制，深度监督的效果。
  3. Fractal ：分形，从多个层次、多个角度、多个组成成分来共同解决一个问题
  4. 通过多个不同深度的网络的组合提高模型的效果：浅层提供更迅速的回答，深层提供更准确的回答
  5. 网络架构中每一个Fractal的模块，是由多个浅层和深层的联合而成，层的深度呈2的指数型增长。不同深度的输出进行联合时采用求均值的方式。因为每个联合层的输入的个数可能不同，求均值可以起到一个类似于归一化的效果。
  6. 架构更重要的训练学习机制：drop path
    1. dropout：一般用于使神经元随机失活来减少模型的过拟合
    2. droppath：让路径随机失活，即在多个不同深度的层进行联合时，模型会以一个比例随机地让某些路径的输入关闭，但最少保证有一个输入。
    3. 优点：
      1. 减少过拟合
      2. 强化每条路径的输出
      3. 不同路径的联合。在droppath机制下，与teacher-student类似的效果：如果某条路径学到了对最终分类非常重要的特征，如果在某一次迭代中该路径被关闭了，则通过loss进行反向传播时，可能就会指导和该路径进行联合的另一条路径也学习到这种特征。如此不断训练不仅可提高整个模型的效果，而且单独提取出任意一条路径使用也可达到非常好的效果。并且该网络架构不同因为深度加深而出现退化问题，即从整个模型中提取出最深的路径使用可以到达整个fractalnet接近的效果。
    4. 有两种droppath方式：
      1. local：在每一个联合层以固定几率舍弃每个输入，但保证至少保留一个输入
      2. global：在整个网络中随机只保留一条完整的路径进行学习
原网站

版权声明
本文为[Wsyoneself]所创，转载请带上原文链接，感谢
https://blog.csdn.net/weixin_45647721/article/details/126254913

边栏推荐

猜你喜欢

随机推荐