Блог

В своем исследовании я использую предварительно обученные модели VGG PyTorch для классификации набора данных ImageNet.

Дело в том, что после каждого слоя слоев conv модели VGG19bn мне нужно добавить nn.Dropout2d слой. Но я не мог понять, как это сделать.

Не могли бы вы помочь мне включить dropout2d слой для предварительно vgg19bn подготовленной модели библиотеки PyTorch?

Я вставляю приведенный ниже код, чтобы лучше выразить свою потребность. После каждого Conv2d , BatchNorm2d , ReLU слоев, я также хочу добавить nn.Dropout2d() слой. Я проведу несколько экспериментов по выборке отсева MC, включив отсев во время прогнозирования.

 cfg = {
'A': [64, 'M', 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512, 'M'],
'B': [64, 64, 'M', 128, 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512, 'M'],
'D': [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 'M', 512, 512, 512, 'M', 512, 512, 512, 'M'],
'E': [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 256, 'M', 512, 512, 512, 512, 'M', 
      512, 512, 512, 512, 'M'],}

def make_layers(cfg, batch_norm=False):
layers = []
in_channels = 3
for v in cfg:
    if v == 'M':
        layers  = [nn.MaxPool2d(kernel_size=2, stride=2)]
    else:
        conv2d = nn.Conv2d(in_channels, v, kernel_size=3, padding=1)
        if batch_norm:
            layers  = [conv2d, nn.BatchNorm2d(v), nn.ReLU(inplace=True), nn.Dropout2d()]
            #layers  = [conv2d, nn.BatchNorm2d(v), nn.ReLU(inplace=True)]
        else:
            layers  = [conv2d, nn.ReLU(inplace=True), nn.Dropout2d()]
            #layers  = [conv2d, nn.ReLU(inplace=True)]
        in_channels = v
return nn.Sequential(*layers)

class VGG(nn.Module):
'''
VGG model 
'''
def __init__(self, features):
    super(VGG, self).__init__()
    self.features = features
    self.classifier = nn.Sequential(
        nn.Dropout(),
        nn.Linear(512, 512),
        nn.ReLU(True),
        nn.Dropout(),
        nn.Linear(512, 512),
        nn.ReLU(True),
        nn.Linear(512, 10),
    )
     # Initialize weights
    for m in self.modules():
        if isinstance(m, nn.Conv2d):
            n = m.kernel_size[0] * m.kernel_size[1] * m.out_channels
            m.weight.data.normal_(0, math.sqrt(2. / n))
            m.bias.data.zero_()


def forward(self, x):
    x = self.features(x)
    x = x.view(x.size(0), -1)
    x = self.classifier(x)
    return x
 

Использовать предварительно подготовленную модель в Pytorch так же просто, как показано ниже:

 model_cnn = models.vgg19_bn(pretrained=True)
 

Но после загрузки предварительно подготовленной модели, как я могу изменить ее, чтобы включить отсев в conv. слои?