70 lines
7.2 KiB
Markdown
70 lines
7.2 KiB
Markdown
# DPN与DenseNet系列
|
||
|
||
## 概述
|
||
DenseNet是2017年CVPR best paper提出的一种新的网络结构，该网络设计了一种新的跨层连接的block，即dense-block。相比ResNet中的bottleneck，dense-block设计了一个更激进的密集连接机制，即互相连接所有的层，每个层都会接受其前面所有层作为其额外的输入。DenseNet将所有的dense-block堆叠，组合成了一个密集连接型网络。密集的连接方式使得DenseNe更容易进行梯度的反向传播，使得网络更容易训练。
|
||
DPN的全称是Dual Path Networks，即双通道网络。该网络是由DenseNet和ResNeXt结合的一个网络，其证明了DenseNet能从靠前的层级中提取到新的特征，而ResNeXt本质上是对之前层级中已提取特征的复用。作者进一步分析发现，ResNeXt对特征有高复用率，但冗余度低，DenseNet能创造新特征，但冗余度高。结合二者结构的优势，作者设计了DPN网络。最终DPN网络在同样FLOPS和参数量下，取得了比ResNeXt与DenseNet更好的结果。
|
||
|
||
该系列模型的FLOPS、参数量以及T4 GPU上的预测耗时如下图所示。
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
目前PaddleClas开源的这两类模型的预训练模型一共有10个，其指标如上图所示，可以看到，在相同的FLOPS和参数量下，相比DenseNet，DPN拥有更高的精度。但是由于DPN有更多的分支，所以其推理速度要慢于DenseNet。由于DenseNet264的网络层数最深，所以该网络是DenseNet系列模型中参数量最大的网络，DenseNet161的网络的宽度最大，导致其是该系列中网络中计算量最大、精度最高的网络。从推理速度来看，计算量大且精度高的的DenseNet161比DenseNet264具有更快的速度，所以其比DenseNet264具有更大的优势。
|
||
|
||
对于DPN系列网络，模型的FLOPS和参数量越大，模型的精度越高。其中，由于DPN107的网络宽度最大，所以其是该系列网络中参数量与计算量最大的网络。
|
||
|
||
## 精度、FLOPS和参数量
|
||
|
||
| Models | Top1 | Top5 | Reference<br>top1 | Reference<br>top5 | FLOPS<br>(G) | Parameters<br>(M) |
|
||
|:--:|:--:|:--:|:--:|:--:|:--:|:--:|
|
||
| DenseNet121 | 0.757 | 0.926 | 0.750 | | 5.690 | 7.980 |
|
||
| DenseNet161 | 0.786 | 0.941 | 0.778 | | 15.490 | 28.680 |
|
||
| DenseNet169 | 0.768 | 0.933 | 0.764 | | 6.740 | 14.150 |
|
||
| DenseNet201 | 0.776 | 0.937 | 0.775 | | 8.610 | 20.010 |
|
||
| DenseNet264 | 0.780 | 0.939 | 0.779 | | 11.540 | 33.370 |
|
||
| DPN68 | 0.768 | 0.934 | 0.764 | 0.931 | 4.030 | 10.780 |
|
||
| DPN92 | 0.799 | 0.948 | 0.793 | 0.946 | 12.540 | 36.290 |
|
||
| DPN98 | 0.806 | 0.951 | 0.799 | 0.949 | 22.220 | 58.460 |
|
||
| DPN107 | 0.809 | 0.953 | 0.802 | 0.951 | 35.060 | 82.970 |
|
||
| DPN131 | 0.807 | 0.951 | 0.801 | 0.949 | 30.510 | 75.360 |
|
||
|
||
|
||
|
||
|
||
## 基于V100 GPU的预测速度
|
||
|
||
| Models | Crop Size | Resize Short Size | FP32<br>Batch Size=1<br>(ms) |
|
||
|-------------|-----------|-------------------|--------------------------|
|
||
| DenseNet121 | 224 | 256 | 4.371 |
|
||
| DenseNet161 | 224 | 256 | 8.863 |
|
||
| DenseNet169 | 224 | 256 | 6.391 |
|
||
| DenseNet201 | 224 | 256 | 8.173 |
|
||
| DenseNet264 | 224 | 256 | 11.942 |
|
||
| DPN68 | 224 | 256 | 11.805 |
|
||
| DPN92 | 224 | 256 | 17.840 |
|
||
| DPN98 | 224 | 256 | 21.057 |
|
||
| DPN107 | 224 | 256 | 28.685 |
|
||
| DPN131 | 224 | 256 | 28.083 |
|
||
|
||
|
||
|
||
## 基于T4 GPU的预测速度
|
||
|
||
| Models | Crop Size | Resize Short Size | FP16<br>Batch Size=1<br>(ms) | FP16<br>Batch Size=4<br>(ms) | FP16<br>Batch Size=8<br>(ms) | FP32<br>Batch Size=1<br>(ms) | FP32<br>Batch Size=4<br>(ms) | FP32<br>Batch Size=8<br>(ms) |
|
||
|-------------|-----------|-------------------|------------------------------|------------------------------|------------------------------|------------------------------|------------------------------|------------------------------|
|
||
| DenseNet121 | 224 | 256 | 4.16436 | 7.2126 | 10.50221 | 4.40447 | 9.32623 | 15.25175 |
|
||
| DenseNet161 | 224 | 256 | 9.27249 | 14.25326 | 20.19849 | 10.39152 | 22.15555 | 35.78443 |
|
||
| DenseNet169 | 224 | 256 | 6.11395 | 10.28747 | 13.68717 | 6.43598 | 12.98832 | 20.41964 |
|
||
| DenseNet201 | 224 | 256 | 7.9617 | 13.4171 | 17.41949 | 8.20652 | 17.45838 | 27.06309 |
|
||
| DenseNet264 | 224 | 256 | 11.70074 | 19.69375 | 24.79545 | 12.14722 | 26.27707 | 40.01905 |
|
||
| DPN68 | 224 | 256 | 11.7827 | 13.12652 | 16.19213 | 11.64915 | 12.82807 | 18.57113 |
|
||
| DPN92 | 224 | 256 | 18.56026 | 20.35983 | 29.89544 | 18.15746 | 23.87545 | 38.68821 |
|
||
| DPN98 | 224 | 256 | 21.70508 | 24.7755 | 40.93595 | 21.18196 | 33.23925 | 62.77751 |
|
||
| DPN107 | 224 | 256 | 27.84462 | 34.83217 | 60.67903 | 27.62046 | 52.65353 | 100.11721 |
|
||
| DPN131 | 224 | 256 | 28.58941 | 33.01078 | 55.65146 | 28.33119 | 46.19439 | 89.24904 |
|