DenseNet的一个PyTorch实现

本次实验是应用keras下的DenseNet 来做分类，提供代码以供参考。代码除了需要更改路径和分类数外，应该不需要做其它改动可以直接运行。也可以换为自己的数据集进行实验，只需修改对应路径与图片。

DenseNet-201 是一个预训练模型，已经在 ImageNet 数据库的一个子集上进行了训练。 该模型接受了超过一百万张图像的训练，可以将图像分类为1000个对象类别（例如键盘，鼠标，铅笔和许多动物）。 从操作系统或从MATLAB内打开densitynet201.mlpkginstall文件将启动您所拥有版本的安装过程。 此 mlpkginstall 文件适用于 R2018a 及更高版本。 用法示例： % 访问训练好的模型净=密网201（）； % 查看架构细节网络层 % 读取图像进行分类I = imread('peppers.png'); % 调整图片大小sz = net.Layers(1).InputSize I = I(1:sz(1),1:sz(2),1:sz(3)); % 使用 DenseNet-201 对图像进行分类标签 = 分类（净，我） % 显示图像和分

DenseNet和FCDenseNet 论文中DenseNet和FCDenseNet架构的实现： 高煌，刘壮，Laurens van der Maaten，Kilian Q. Weinberger的密集 的 SimonJégou，Michal Drozdzal，David Vazquez，Adriana Romero，Yoshua Bengio 该软件包的目标是提供两种体系结构的良好且简单的面向对象的实现。 各个子模块干净地分为独立的块，这些块随文档和类型一起提供，因此易于导入和重用。 要求和安装 该库的最低要求是Python 3.6+和PyTorch 1.1+。 推荐这样的conda环境： conda create --name densenet python=3.7 conda install --name densenet -c pytorch pytorch torchv

efficiency_densenet_pytorch DenseNets的PyTorch> = 1.0实现，已优化以节省GPU内存。 最近更新 现在可以在PyTorch 1.0上使用！ 它使用检查点功能，使此代码更有效！！！ 动机 虽然DenseNets在深度学习框架中很容易实现，但大多数实现（例如）往往需要大量内存。 特别是，通过批处理规范化和串联操作生成的中间特征图的数量随着网络深度的增加而平方增长。 值得强调的是，这不是DenseNets固有的属性，而是实现的属性。 此实现使用一种新的策略来减少DenseNets的内存消耗。 我们使用来计算Batch Norm和串联特征图。 这些中

主要介绍了使用keras实现densenet和Xception的模型融合，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

我正在参加天池上的一个竞赛，刚开始用的是DenseNet121但是效果没有达到预期，因此开始尝试使用模型融合，将Desenet和Xception融合起来共同提取特征。 代码如下： def Multimodel(cnn_weights_path=None,all_weights_path=None,class_num=5,cnn_no_vary=False): ''' 获取densent121,xinception并联的网络 此处的cnn_weights_path是个列表是densenet和xception的卷积部分的权值 ''' input_layer=Input(shape=(2

火炬分类 使用PyTorch在CIFAR-10 / 100和ImageNet上进行分类。 特征 适用于不同网络架构的统一接口 多GPU支持 具有丰富信息的培训进度栏 训练日志和训练曲线可视化代码（请参阅./utils/logger.py ） 安装 安装 递归克隆git clone --recursive https://github.com/bearpaw/pytorch-classification.git 训练 请参阅以了解如何训练模型。 结果 CIFAR 报告了CIFAR-10 / 100基准测试的Top1错误率。 使用不同的随机种子训练模型时，您可能会得到不同的结果。 请注意，参数数量是在CIFAR-10数据集上计算的。 模型 参数（M） CIFAR-10（％） CIFAR-100（％） 亚历克斯网 2.47 22.78 56.13 vgg19_bn 20.04

DenseNet网络模型，DenseNet的另一大特色是通过特征在channel上的连接来实现特征重用（feature reuse）。这些特点让DenseNet在参数和计算成本更少的情形下实现比ResNet更优的性能

ResNet与DenseNet.pdf