首页分享基于pytorch搭建GoogleNet神经网络用于花类识别持续创作，加速成长！这是我参与「掘金日新计划 · 6 月更文

基于pytorch搭建GoogleNet神经网络用于花类识别持续创作，加速成长！这是我参与「掘金日新计划 · 6 月更文

来源：花匠小妙招时间：2024-12-02 23:02

作者简介：秃头小苏，致力于用最通俗的语言描述问题

往期回顾：卡尔曼滤波系列1——卡尔曼滤波基于pytorch搭建AlexNet神经网络用于花类识别

近期目标：拥有5000粉丝

支持小苏：点赞、收藏⭐、留言

基于pytorch搭建GoogleNet神经网络用于花类识别

写在前面

前面已经出过基于pytorch搭建AlexNet神经网络用于花类识别和基于pytorch搭建VGGNet神经网络用于花类识别的文章，建议阅读此文章前先行阅读前两篇。

这篇文章用到的网络结构时GoogleNet，因此你需要对GoogleNet的结构有较清晰的了解，不清楚的戳此图标☞☞☞了解详情。

和上一篇相同，本篇不会对实现花类识别的每一个步骤进行讲解，只针对GoogleNet的网络搭建细节进行阐述，大家可自行下载代码进一步研究。

GoogleNet网络模型搭建✨✨✨

GoogleNet的结构乍一看还是挺复杂的，但是其中有大量的重复结构，即Inception结构。我们可以将Inception结构封装成一个类在进行调用，这样会大大提高代码的可读性。Inception类的定义如下：

这里我不想做过多的解释，大家自己对照着GoogleNet的理论看应该也能很好的理解，但这里我把这个类传入的参数做一个简单的解释，其实就对应着Inception结构的一些参数，如下图所示：

这里再谈谈BasicConv2d这个东东，这个其实也是我们定义的类，定义如下：

这个就更好理解了，其把卷积和后面的Relu激活封装到了一起

值得一提的是在GoogleNet网络中，还存在着两个结构相同的辅助分类器，为了简化代码，我们也将其封装成类，如下：

这样一切准备工作即已做好，我们就可以来定义我们的GoogleNet网络了：

class GoogLeNet(nn.Module): def __init__(self, num_classes=1000, aux_logits=True): super(GoogLeNet, self).__init__() self.aux_logits = aux_logits self.conv1 = BasicConv2d(3, 64, kernel_size=7, stride=2, padding=3) self.maxpool1 = nn.MaxPool2d(3, stride=2, ceil_mode=True) #ceil_mode=True表示求得的特征为小数时，向上取整 self.conv2 = BasicConv2d(64, 64, kernel_size=1) self.conv3 = BasicConv2d(64, 192, kernel_size=3, padding=1) self.maxpool2 = nn.MaxPool2d(3, stride=2, ceil_mode=True) self.inception3a = Inception(192, 64, 96, 128, 16, 32, 32) self.inception3b = Inception(256, 128, 128, 192, 32, 96, 64) self.maxpool3 = nn.MaxPool2d(3, stride=2, ceil_mode=True) self.inception4a = Inception(480, 192, 96, 208, 16, 48, 64) self.inception4b = Inception(512, 160, 112, 224, 24, 64, 64) self.inception4c = Inception(512, 128, 128, 256, 24, 64, 64) self.inception4d = Inception(512, 112, 144, 288, 32, 64, 64) self.inception4e = Inception(528, 256, 160, 320, 32, 128, 128) self.maxpool4 = nn.MaxPool2d(3, stride=2, ceil_mode=True) self.inception5a = Inception(832, 256, 160, 320, 32, 128, 128) self.inception5b = Inception(832, 384, 192, 384, 48, 128, 128) if self.aux_logits: self.aux1 = InceptionAux(512, num_classes) self.aux2 = InceptionAux(528, num_classes) self.avgpool = nn.AdaptiveAvgPool2d((1, 1)) #自适应的平均池化，将特质图大小变成1x1 self.dropout = nn.Dropout(0.4) self.fc = nn.Linear(1024, num_classes) if init_weights: self._initialize_weights() def forward(self, x): # N x 3 x 224 x 224 x = self.conv1(x) # N x 64 x 112 x 112 x = self.maxpool1(x) # N x 64 x 56 x 56 x = self.conv2(x) # N x 64 x 56 x 56 x = self.conv3(x) # N x 192 x 56 x 56 x = self.maxpool2(x) # N x 192 x 28 x 28 x = self.inception3a(x) # N x 256 x 28 x 28 x = self.inception3b(x) # N x 480 x 28 x 28 x = self.maxpool3(x) # N x 480 x 14 x 14 x = self.inception4a(x) # N x 512 x 14 x 14 if self.training and self.aux_logits: # eval model lose this layer aux1 = self.aux1(x) x = self.inception4b(x) # N x 512 x 14 x 14 x = self.inception4c(x) # N x 512 x 14 x 14 x = self.inception4d(x) # N x 528 x 14 x 14 if self.training and self.aux_logits: # eval model lose this layer aux2 = self.aux2(x) x = self.inception4e(x) # N x 832 x 14 x 14 x = self.maxpool4(x) # N x 832 x 7 x 7 x = self.inception5a(x) # N x 832 x 7 x 7 x = self.inception5b(x) # N x 1024 x 7 x 7 x = self.avgpool(x) # N x 1024 x 1 x 1 x = torch.flatten(x, 1) # N x 1024 x = self.dropout(x) x = self.fc(x) # N x 1000 (num_classes) if self.training and self.aux_logits: # eval model lose this layer return x, aux2, aux1 return x

注意事项

这部分谈谈GoogleNet网络模型搭建和使用的注意事项。我们知道在GoogleNet中有两个辅助分类器，但这两个辅助分类器是只在训练时使用的，测试时不使用。【测试时令参数self.training and self.aux_logits的值为False】由于训练时使用了两个辅助分类器，因此有三个输出

在预测过程中，我们也不需要我们的辅助分类器，在加载模型参数时需要设置strict=False