可视化经典模型的对比实验总结
环境安装
安装OpenGL
sudo apt-get install -y build-essential libxmu-dev libgl1-mesa-glx libglu1-mesa-dev libgl1-mesa-dev freeglut3-dev libglew-dev libsdl2-dev libsdl2-image-dev libglm-dev libfreetype6-dev
安装Netron
网页版：https://netron.app/
官方下载：https://github.com/lutzroeder/netron
安装zetane
官方链接“”https://zetane.com/
GitHub链接：https://github.com/zetane/viewer
AlexNet
Alexnet 是一个图像分类模型，其中输入是 1000 个不同类别（例如猫、狗等）之一的图像，输出是 1000 个数字的向量。
输出向量的第i个元素是输入图像属于第i类的概率；因此，输出向量的所有元素之和为 1。
AlexNet 的输入是大小为 224x224 像素的 RGB 图像。
模型设计图
Netron结构图
weights
bias
input (1,3,224,224)
Conv
Feature Maps
ReLU
MaxPool
整体结构图
feature0
feature3
feature6
feature8
feature10
classify
VGG
模型设计图
Netron结构图
整体结构图
feature0
feature2
feature5
feature7
feature10
feature12
feature14
feature17
feature19
feature21
feature24
feature26
feature28
classifier
GoogleNet
模型设计图
Netron网络图
zetane整体结构图
详细可视化
1
2
3
分支
m_1
m_2
m_3
m_4
for_epoch 9次
output_merge
end
Inception_v3
也称为 GoogleNetv3，2015 年开始在 Imagenet 上训练的著名 ConvNet。
模型设计图
Netron结构图
zetane整体结构图
conv
分支
m_1
m_2
m_3
m_4
全局图
DenseNet
密集卷积网络（DenseNet）以前馈方式将每一层连接到其他每一层。
网络设计图
Netron网络图
这个部分可以看做是一个基础组件的结构，后面大量嵌套并循环使用
局部图
第一部分
第二部分
第三部分-头
第三部分-尾
第四部分
zetane网络图
SqueezeNet
参数减少 50 倍的 Alexnet 级精度。
网络设计图
Netron网络图
Zetene整体图
细节
features.0
features.3.squeeze
features.3.expand3x3
features.4
features.4.expand1x1
features.5.squeeze
features.5.expand3x3
features.7.squeeze
features.7.expand
features.8.squeeze
features.8.expand
features.9.squeeze
features.10.expand
features.10.squeeze
features.10.expand1x1
features.12.squeeze
features.12.expand.3x3
classifer.1
全局图
output
ShuffleNet
一个针对速度和内存进行了优化的高效 ConvNet，在 Imagenet 上进行了预训练。
所有预训练模型都期望输入图像以相同的方式归一化，即形状为 的 3 通道 RGB 图像的小批量(3 x H x W)，其中H和W预计至少为224。必须将图像加载到 的范围内，然后使用 和[0, 1]进行归一化。`mean = [0.485, 0.456, 0.406]``std = [0.229, 0.224, 0.225]。
网络设计图
Netron网络图
Zetane整体图
p1
这里同样可以将几个重复的结构作为单独模块来理解分析，大致可分为两个组件和一个连接件。
组件一：包含两个输出层，输出层一包含三个Conv卷积和两个ReLu，输出层二包含两个Conv卷积和一个ReLu。
组件二：包含两个输出层，输出层一无其他操作直接输出，输出层二包含三个Conv卷积和两个ReLu。
连接件：这部分主要是用来连接组件模块设计的，包含Constant、Concat、Transpose、Reshape、Split。
先来预览下组件模块的效果
组件一
组件二
连接件：
concat
input_1 (24,28,28)
input_2 (24,28,28)
output (48,28,28)
Constant
Reshape
Transpose
Split
input (48,28,28)
output_1 (24,28,28)
output_2 (24,28,28)
模型组网
组网方式一
组网方式二
end
ResNet
在 ImageNet 上预训练的深度残差网络
网络设计图
Netron网络图
Zetane整体图
局部细节
p1
p2
p3
p4
p5
p6
p7
p8
p9
p10
整体可视化
output
ResNext
下一代 ResNet，更高效、更准确
网络设计图
Netron结构图
Zetane整体图
局部细节图
下面是一个基本的结构，共包括两个输出层，其中一个输出层包含三个Conv卷积和两个ReLu，另一个输出层只包含一个Conv卷积。
最后合并两个输出通道的结果，输入下一层进行计算。
简单来看下效果
接下来是对上面基本结构的一个交叉循环，共计16个。
最终输出
output结果
Wide_ResNet
Netron网络图
Zetane整体结构
p1
两个基本结构
结构一
结构二
下面分别来看下两个结构的可视化
结构一，分为两个输出层，一层仅包含一个Conv卷积，另外一层是包含三个Conv卷积和两个ReLu。
结构二，分为两个输出层，其中一层不包含操作，另外一层与结构一的第二层一样，包含三个Conv卷积和两个ReLu。
中间连接部分，主要是承上启下，将两个输出通道的输出结果进行叠加融合，重新进行ReLu传递给下面。
RegNet
Netron网络图
Zetane整体图
两个基本结构
结构一
结构二
结构一
局部细节一
局部细节二
结构二
整体效果
局部细节
细节一
细节二
连接部分
结尾部分
