1. GoogLeNet

在2014年的ImageNet图像识别挑战赛中，一个名叫GoogLeNet 的网络架构大放异彩。 GoogLeNet吸收了NiN中串联网络的思想 ，并在此基础上做了改进。这篇论文的一个重点是 解决了什么样大小的卷积核最合适的问题 。毕竟，以前流行的网络使用小到 1×1 ，大到 11×11 的卷积核。 本文的一个观点是，有时使用不同大小的卷积核组合是有利的。

1.1 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”）。
Inception块由四条并行路径组成。前三条路径使用窗口大小为 1×1 、 3×3 和 5×5 的卷积层，从不同空间大小中提取信息。中间的两条路径在输入上执行 1×1 卷积，以减少通道数，从而降低模型的复杂性。第四条路径使用 3×3 最大汇聚层，然后使用 1×1 卷积层来改变通道数。这四条路径都使用合适的填充来使输入与输出的高和宽一致，最后我们将每条线路的输出在通道维度上连结，并构成Inception块的输出。在Inception块中，通常调整的超参数是每层输出通道数。如下图所示
为什么第二条路径和第三条路径需要先接1x1卷积，再接3x3卷积或者5x5卷积？因为目的是减少Inception块的卷积层权重参数，1x1卷积最主要作用是融合不同通道的信息，降低通道数，减少卷积层的权重参数。第二条路径输入通道数为k，如果1x1卷积后的通道数降为m，3x3卷积输出的通道数为n，则第二条路径使用1x1卷积层后的权重参数为：mxkx1x1+nxmx3x3 ，如果不使用1x1卷积层，则第二条路径的权重参数为：nxkx3x3 (远大于使用1x1卷积层的权重参数)，另外3x3汇聚层主要作用是降低卷积层对位置的敏感性。
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。

1.2 Inception块代码实现

import d2l.torch
import torch
from torch import nn
from torch.nn import  functional as F
class Inception(nn.Module):
    #c1 - -c4是每条路径的输出通道数
    def __init__(self,in_channels,c1,c2,c3,c4):
        super(Inception, self).__init__()
        # 线路1，单1x1卷积层
        self.p1_1 = nn.Conv2d(in_channels=in_channels,out_channels=c1,kernel_size=1,stride=1,padding=0)
        # 线路2，1x1卷积层后接3x3卷积层
        self.p2_1 = nn.Conv2d(in_channels=in_channels,out_channels=c2[0],kernel_size=1,padding=0,stride=1)
        self.p2_2 = nn.Conv2d(in_channels=c2[0],out_channels=c2[1],kernel_size=3,padding=1,stride=1)
        # 线路3，1x1卷积层后接5x5卷积层
        self.p3_1 = nn.Conv2d(in_channels=in_channels,out_channels=c3[0],kernel_size=1,padding=0,stride=1)
        self.p3_2 = nn.Conv2d(in_channels=c3[0],out_channels=c3[1],kernel_size=5,padding=2,stride=1)
        # 线路4，3x3最大汇聚层后接1x1卷积层，汇聚层主要作用是降低卷积层对位置的敏感性，1x1卷积层主要是融合不同通道的信息，降低通道数，减少卷积层的权重参数
        self.p4_1 = nn.MaxPool2d(kernel_size=3,padding=1,stride=1)
        self.p4_2 = nn.Conv2d(in_channels=in_channels,out_channels=c4,kernel_size=1,padding=0,stride=1)
    def forward(self,X):
        #使用torch.nn.functional中的relu()函数，而不是nn.ReLU()函数
        #错误解决链接：https://discuss.pytorch.org/t/i-am-trying-to-build-a-simple-resnet-model-but-getting-an-error-conv2d-received-an-invalid-combination-of-arguments/134141
        p1 = F.relu(self.p1_1(X))
        p2 = F.relu(self.p2_2(F.relu(self.p2_1(X))))
        p3 = F.relu(self.p3_2(F.relu(self.p3_1(X))))
        p4 = F.relu(self.p4_2(self.p4_1(X)))
        # 在通道维度上连结输出
        return torch.cat((p1,p2,p3,p4),dim=1)
1.3 GoogLeNet模型
 
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，多个Inception块组合在一起（并且Inception块第二条第三条路径中两个卷积层也是组合在一起）是从VGG块中卷积层可以组合在一起的思想得来的，同时吸收了NiN中串联网络（NiN块使用多个1x1卷积层串联组合在一起）的思想，全局平均汇聚层避免了在最后使用全连接层（NiN网络最后也是使用全局汇聚层来去除全连接层的使用，从而大量减少了全连接层所需的权重参数），架构如下图所示。 
  
1.4 GoogleNet每个块的实现
 
第一个模块使用64个通道、 7×7 卷积层。 
b1 = nn.Sequential(nn.Conv2d(in_channels=1,out_channels=64,kernel_size=7,padding=3,stride=2),
                   nn.ReLU(),
                   nn.MaxPool2d(kernel_size=3,padding=1,stride=2))
第二个模块使用两个卷积层：第一个卷积层是64个通道、 1×1 卷积层；第二个卷积层使用将通道数量增加三倍的 3×3 卷积层。 这对应于Inception块中的第二条路径。 
b2 = nn.Sequential(nn.Conv2d(in_channels=64,out_channels=64,kernel_size=1,padding=0,stride=1),
                   nn.ReLU(),
                   nn.Conv2d(in_channels=64,out_channels=192,kernel_size=3,padding=1,stride=1),
                   nn.ReLU(),
                   nn.MaxPool2d(kernel_size=3,padding=1,stride=2))
第三个模块串联两个完整的Inception块。 第一个Inception块的输出通道数为 64+128+32+32=256 ，四个路径之间的输出通道数量比为 64:128:32:32=2:4:1:1 。 第二个和第三个路径首先将输入通道的数量分别减少到 96/192=1/2 和 16/192=1/12 ，然后连接第二个卷积层。第二个Inception块的输出通道数增加到 128+192+96+64=480 ，四个路径之间的输出通道数量比为 128:192:96:64=4:6:3:2 。 第二条和第三条路径首先将输入通道的数量分别减少到 128/256=1/2 和 32/256=1/8 。 
b3 = nn.Sequential(Inception(in_channels=192,c1=64,c2=(96,128),c3=(16,32),c4=32),
                   Inception(in_channels=256,c1=128,c2=(128,192),c3=(32,96),c4=64),
                   nn.MaxPool2d(kernel_size=3,padding=1,stride=2))
第四模块更加复杂， 它串联了5个Inception块，其输出通道数分别是 192+208+48+64=512 、 160+224+64+64=512 、 128+256+64+64=512 、 112+288+64+64=528 和 256+320+128+128=832 。 这些路径的通道数分配和第三模块中的类似，首先是含 3×3 卷积层的第二条路径输出最多通道，其次是仅含 1×1 卷积层的第一条路径，之后是含 5×5 卷积层的第三条路径和含 3×3 最大汇聚层的第四条路径。 其中第二、第三条路径都会先按比例减小通道数。 这些比例在各个Inception块中都略有不同。 
b4 = nn.Sequential(Inception(in_channels=480,c1=192,c2=(96,208),c3=(16,48),c4=64),
                   Inception(in_channels=512,c1=160,c2=(112,224),c3=(24,64),c4=64),
                   Inception(in_channels=512,c1=128,c2=(128,256),c3=(24,64),c4=64),
                   Inception(in_channels=512,c1=112,c2=(144,288),c3=(32,64),c4=64),
                   Inception(in_channels=528,c1=256,c2=(160,320),c3=(32,128),c4=128),
                   nn.MaxPool2d(kernel_size=3,padding=1,stride=2))
第五模块包含输出通道数为 256+320+128+128=832 和 384+384+128+128=1024 的两个Inception块。 其中每条路径通道数的分配思路和第三、第四模块中的一致，只是在具体数值上有所不同。 需要注意的是，第五模块的后面紧跟输出层，该模块同NiN一样使用全局平均汇聚层，将每个通道的高和宽变成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。 
b5 = nn.Sequential(Inception(in_channels=832,c1=256,c2=(160,320),c3=(32,128),c4=128),
                   Inception(in_channels=832,c1=384,c2=(192,384),c3=(48,128),c4=128),
                   nn.AdaptiveAvgPool2d((1,1)),
                   nn.Flatten())
GoogLeNet模型的计算复杂，而且不如VGG那样便于修改通道数。 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，这简化了计算，下面为各个模块输出的形状大小变化。 
GoogLeNet = nn.Sequential(b1,b2,b3,b4,b5,nn.Linear(1024,10))
#打印模型每一块的输出尺寸大小
X = torch.randn(size=(1,1,96,96))
for layer in GoogLeNet:
    X = layer(X)
    print(layer.__class__.__name__," output shape :\t",X.shape)
输出结果：
Sequential output shape:	 torch.Size([1, 64, 24, 24])
Sequential output shape:	 torch.Size([1, 192, 12, 12])
Sequential output shape:	 torch.Size([1, 480, 6, 6])
Sequential output shape:	 torch.Size([1, 832, 3, 3])
Sequential output shape:	 torch.Size([1, 1024])
Linear output shape:	 torch.Size([1, 10])
模型训练（学习率lr为0.05，训练轮数epochs为30轮，批量大小batch_size为128） 
#模型训练
lr,num_epochs,batch_szie = 0.05,30,128
train_iter,test_iter = d2l.torch.load_data_fashion_mnist(batch_size=batch_szie,resize=96)
d2l.torch.train_ch6(GoogLeNet,train_iter,test_iter,num_epochs,lr,device=d2l.torch.try_gpu())
模型训练和测试结果如下图所示：
 




    
 
1.5 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 1×1 卷积层减少每像素级别上的通道维数从而减少模型权重参数，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。 
2 GoogLeNet全部代码（学习率lr为0.05，训练轮数epochs为30轮，批量大小batch_size为128）
 
import d2l.torch
import torch
from torch import nn
from torch.nn import  functional as F
class Inception(nn.Module):
    #c1 - -c4是每条路径的输出通道数
    def __init__(self,in_channels,c1,c2,c3,c4):
        super(Inception, self).__init__()
        # 线路1，单1x1卷积层
        self.p1_1 = nn.Conv2d(in_channels=in_channels,out_channels=c1,kernel_size=1,stride=1,padding=0)
        # 线路2，1x1卷积层后接3x3卷积层
        self.p2_1 = nn.Conv2d(in_channels=in_channels,out_channels=c2[0],kernel_size=1,padding=0,stride=1)
        self.p2_2 = nn.Conv2d(in_channels=c2[0],out_channels=c2[1],kernel_size=3,padding=1,stride=1)
        # 线路3，1x1卷积层后接5x5卷积层
        self.p3_1 = nn.Conv2d(in_channels=in_channels,out_channels=c3[0],kernel_size=1,padding=0,stride=1)
        self.p3_2 = nn.Conv2d(in_channels=c3[0],out_channels=c3[1],kernel_size=5,padding=2,stride=1)
        # 线路4，3x3最大汇聚层后接1x1卷积层，汇聚层主要作用是降低卷积层对位置的敏感性，1x1卷积层主要是融合不同通道的信息，降低通道数，减少卷积层的权重参数
        self.p4_1 = nn.MaxPool2d(kernel_size=3,padding=1,stride=1)
        self.p4_2 = nn.Conv2d(in_channels=in_channels,out_channels=c4,kernel_size=1,padding=0,stride=1)
    def forward(self,X):
        #使用torch.nn.functional中的relu()函数，而不是nn.ReLU()函数
        #错误解决链接：https://discuss.pytorch.org/t/i-am-trying-to-build-a-simple-resnet-model-but-getting-an-error-conv2d-received-an-invalid-combination-of-arguments/134141
        p1 = F.relu(self.p1_1(X))
        p2 = F.relu(self.p2_2(F.relu(self.p2_1(X))))
        p3 = F.relu(self.p3_2(F.relu(self.p3_1(X))))
        p4 = F.relu(self.p4_2(self.p4_1(X)))
        # 在通道维度上连结输出
        return torch.cat((p1,p2,p3,p4),dim=1)
b1 = nn.Sequential(nn.Conv2d(in_channels=1,out_channels=64,kernel_size=7,padding=3,stride=2),
                   nn.ReLU(),
                   nn.MaxPool2d(kernel_size=3,padding=1,stride=2))
b2 = nn.Sequential(nn.Conv2d(in_channels=64,out_channels=64,kernel_size=1,padding=0,stride=1),
                   nn.ReLU(),
                   nn.Conv2d(in_channels=64,out_channels=192,kernel_size=3,padding=1,stride=1),
                   nn.ReLU(),
                   nn.MaxPool2d(kernel_size=3,padding=1,stride=2))
b3 = nn.Sequential(Inception(in_channels=192,c1=64,c2=(96,128),c3=(16,32),c4=32),
                   Inception(in_channels=256,c1=128,c2=(128,192),c3=(32,96),c4=64),
                   nn.MaxPool2d(kernel_size=3,padding=1,stride=2))
b4 = nn.Sequential(Inception(in_channels=480,c1=192,c2=(96,208),c3=(16,48),c4=64),
                   Inception(in_channels=512,c1=160,c2=(112,224),c3=(24,64),c4=64),
                   Inception(in_channels=512,c1=128,c2=(128,256),c3=(24,64),c4=64),
                   Inception(in_channels=512,c1=112,c2=(144,288),c3=(32,64),c4=64),
                   Inception(in_channels=528,c1=256,c2=(160,320),c3=(32,128),c4=128),
                   nn.MaxPool2d(kernel_size=3,padding=1,stride=2))
b5 = nn.Sequential(Inception(in_channels=832,c1=256,c2=(160,320),c3=(32,128),c4=128),
                   Inception(in_channels=832,c1=384,c2=(192,384),c3=(48,128),c4=128),
                   nn.AdaptiveAvgPool2d((1,1)),
                   nn.Flatten())
GoogLeNet = nn.Sequential(b1,b2,b3,b4,b5,nn.Linear(1024,10))
#打印模型每一块的输出尺寸大小
X = torch.randn(size=(1,1,96,96))
for layer in GoogLeNet:
    X = layer(X)
    print(layer.__class__.__name__," output shape :\t",X.shape)
#模型训练
lr,num_epochs,batch_szie = 0.05,30,128
train_iter,test_iter = d2l.torch.load_data_fashion_mnist(batch_size=batch_szie,resize=96)
d2l.torch.train_ch6(GoogLeNet,train_iter,test_iter,num_epochs,lr,device=d2l.torch.try_gpu())
模型训练和测试结果如下图所示：
 
                    1. GoogLeNet在2014年的ImageNet图像识别挑战赛中，一个名叫GoogLeNet 的网络架构大放异彩。 GoogLeNet吸收了NiN中串联网络的思想，并在此基础上做了改进。 这篇论文的一个重点是解决了什么样大小的卷积核最合适的问题。 毕竟，以前流行的网络使用小到 1×1 ，大到 11×11 的卷积核。 本文的一个观点是，有时使用不同大小的卷积核组合是有利的。1.1 Inception块在GoogLeNet中，基本的卷积块被称为Inception块（Inception block）。
				常见的分类网络都可以分为两部分，一部分是特征提取部分，另一部分是分类部分。
1、特征提取部分的功能是对输入进来的图片进行特征提取 ， 优秀的特征可以帮助更容易区分目标，所以特征提取部分一般由各类卷积组成，卷积拥有强大的特征提取能力 ；
2、分类部分会利用特征提取部分获取到的特征进行分类 ，分类部分一般由全连接组成， 特征提取部分获取到的特征一般是一维向量，可以直接进行全连接分类。
通常情况下，特征提取部分就是我们平常了解到的各种神经网络，比如VGG、Mobilenet、Resnet等等；而分类部分就是
    __constants__ = ['aux_logits', 'transform_input']
    def __init__(self, num_classes=1000, aux_logits=True, transform_input=False, init_weights=True,
				接上一节内容：Pytorch搭建常见分类网络模型------VGG、Googlenet、 MobileNetV3、ResNet50（1）_一只小小的土拨鼠的博客-CSDN博客
前言：AlexNet、VGG等经典的神经网络框架，一个共同特点是：整个网络由不同神经模块的串联构建。神经网络深度不断加深会造成过拟合和模型参数巨大等问题。解决主要方法是引入稀疏特性、将全连接层换成稀疏连接。Googlenet串并联网络结构便是由此提出。
在串联网络中，每一层级的卷积核都是固定尺寸的，只能提取固定尺度的特征。基于这种
				一、CNN的引入在人工的全连接神经网络中，每相邻两层之间的每个神经元之间都是有边相连的。当输入层的特征维度变得很高时，这时全连接网络需要训练的参数就会增大很多，计算速度就会变得很慢，例如一张黑白的 28×2828×28 的手写数字图片，输入层的神经元就有784个，如下图所示： 
若在中间只使用一层隐藏层，参数 ww 就有 784×15=11760784×15 = 11760  多个；若输入的
				学习深度学习时候，很多人参考的是李沐的动手学深度学习Pytorch版本（附上官方地址：https://tangshusen.me/Dive-into-DL-PyTorch/#/）。
在学习3.5.1节 “获取数据集” 时，会遇到d2lzh_pytorch包缺少的问题，经过查阅资料，下面方法可以解决这个问题。
import torch
import torchvision
import torchvision.transforms as transforms
import matplotlib.pyplot as plt
import time
import sys
sys.path.appe
				Pytorch中DDP ：The server socket has failed to bind to [::]:29500 (errno: 98 - Address already in use）
                    m0_52848925: 
                    如果输入GIT_LFS_SKIP_SMUDGE=1，显示：'GIT_LFS_SKIP_SMUDGE' 不是内部或外部命令，也不是可运行的程序 或批处理文件。
则需要输入set GIT_LFS_SKIP_SMUDGE=1（也就是前面要加个set）然后回车，然后再输入git clone https://huggingface.co/bigscience/bloom-7b1
                Pytorch中torch.full()，torch.ones()和torch.zeros()函数解析
                    O_Feng2: 
                    为什么有小数点啊，哥们知道了吗
                李沐动手学深度学习V2-BERT预训练和代码实现
                    Colorgoat: 
                    原书pytorch版本计算loss那里，就是mask loss是有错误把
                Pytorch DDP分布式数据合并通信 torch.distributed.all_gather()
                    xcc18: 
                    你好！感谢你的分享！请问你知道如果希望从各个Gpu的进程里收集字典类数据，ddp有什么可靠的实现方式吗？感谢你！