DenseNet---比ResNet更优模型

DenseNet实现代码

DenseNet

DenseNet模型的基本思路与ResNet一致，但它是前面所有层与后面层的密集连接（dense connection），它的名称也是由此而来。
如下图所示：

如上图所示，DenseNet每两个层之间都有直接的连接，因此该网络的直接连接个数为$\frac{L(L+1)}{2}$2L(L+1)​。
对于每一层，使用前面所有层的特征映射作为输入，并且其自身的特征映射作为所有后续层的输入。
DenseNet的优点: 缓解了消失梯度问题，加强了特征传播，鼓励特征重用，并大大减少了参数的数量，改进了整个网络的信息流和梯度，这使得它们易于训练（这点与ResNet差不多）。

DenseNet与ResNet的主要区别

ResNet是每个层与前面的某层（一般是2~3层）跳跃连接在一起，连接方式是通过元素级相加。
DenseNet中，每个层都会与前面所有层在channel（通道）维度上连接（concat）在一起，并作为下一层的输入。相比ResNet，这是一种密集连接。

Dense Block 和 Transition layer

先看下图：

DenseNet 网络中两个比较重要的部分就是 Dense Block 和 Transition layer， 上图中包括3个Dense Block 和 2个Transition layer。

Dense Block

DenseBlock模块包含很多层，每层的特征图大小相同，层与层之间采用密集连接方式（如图 Figure.1）。
在DenseBlock中，各层特征图大小一致，可以直接在 channel 维度上 concat。DenseBlock中的非线性组合函数 $H(.)$H(.) ，采用的是 BN+ReLU+3x3 Conv的结构，如图Figure.1。
与ResNet不同，所有DenseBlock中各个层卷积之后均输出 $k$k 个特征图。 $k$k 在DenseNet中称为 growth rate，是一个超参数。一般情况下使用较小的 $k$k （比如12），就可以得到较佳的性能。假定输入层的特征图的channel数为 $k_0$k0​ ，那么 $l$l 层输入的channel数为$k_0+k(l-1)$k0​+k(l−1) 。
由于后面层的输入会非常大，DenseBlock内部可以采用bottleneck层来减少计算量，主要是原有的结构中增加 1x1 Conv，即 BN+ReLU+1x1 Conv+BN+ReLU+3x3 Conv，称为DenseNet-B结构。其中1x1 Conv得到 $4k$4k 个特征图它起到的作用是降低特征数量，从而提升计算效率。

Transition layer

Transition layer连接两个相邻的DenseBlock，并且降低特征图大小。Transition layer结构为 BN+1x1 Conv+2x2 AvgPooling。
Transition layer可以起到压缩模型的作用。假定Transition layer的上层 DenseBlock 得到的特征图channels数为 $m$m ，Transition层可以产生 $[\theta m]$[θm] 个输出特征图，其中 $0<\theta<=1$0<θ<=1 是压缩系数（compression rate）。当 $\theta<=1$θ<=1 时，特征个数经过Transition layer 没有变化，即无压缩，而当压缩系数 $\theta<1$θ<1 时，这种结构称为DenseNet-C，文中使用 $\theta=0.5$θ=0.5 。对于使用bottleneck层和压缩系数 $\theta<1$θ<1 的Transition layer组合的结构称为DenseNet-BC。