动手学深度学习——FCN代码

这一篇的重点是把上一篇的 FCN 思想真正落到代码上。也就是看清楚这几件事怎么用预训练分类网络做骨干怎么把最后的分类头改成分割头为什么要加1×1卷积怎么用转置卷积把输出恢复到原图大小最后如何得到像素级预测结果下面我直接给你一版适合发 CSDN 的正文。动手学深度学习——FCN代码1. 前言上一篇我们已经学习了FCN全卷积网络的基本思想。FCN 的核心可以概括为去掉传统分类网络中的全连接层保留卷积结构使用1×1卷积完成类别映射使用转置卷积恢复空间分辨率最终实现像素级分类但如果只理解概念还是不够。这一节我们就结合代码真正把 FCN 的实现流程串起来。这也是《动手学深度学习》里非常典型的风格先讲清楚原理再通过简洁代码把整个模型搭起来。2. FCN 代码的整体思路李沐这里实现 FCN核心思路其实非常清晰第一步加载预训练卷积网络通常使用已经在分类任务上训练好的网络作为特征提取骨干。第二步去掉最后的全连接分类层因为语义分割不需要整图分类输出而需要空间预测图。第三步加入1×1卷积层把高维特征映射到类别数通道。第四步加入转置卷积层把较小的特征图恢复到接近原图大小。第五步输出每个像素的类别分数最终就能得到语义分割结果。所以整套代码其实是在做一件事把分类网络改造成分割网络。3. 加载预训练网络李沐这里常见的做法是直接用 torchvision 里的 ResNet 作为骨干网络例如import torch from torch import nn from torchvision import models pretrained_net models.resnet18(weightsmodels.ResNet18_Weights.DEFAULT)这里的pretrained_net就是一个已经在 ImageNet 上训练过的分类模型。为什么要这么做因为预训练网络已经学到了比较强的图像特征提取能力比如边缘纹理形状更高层语义模式所以在做语义分割时不需要从零开始训练整个特征提取部分。4. 为什么不能直接用原始 ResNet 做分割ResNet 原本是做图像分类的。它最后的输出流程一般是卷积特征提取全局平均池化全连接层输出类别但语义分割需要的是保留空间结构并输出每个位置的类别预测所以原本的全局平均池化全连接层这些都会把空间信息压缩掉不适合分割任务。因此必须对网络进行改造。5. 截取卷积主干部分常见写法如下net nn.Sequential(*list(pretrained_net.children())[:-2])这一行非常关键。它在做什么pretrained_net.children()会把 ResNet 的各个子模块按顺序取出来。而[:-2]表示去掉最后两个模块对于 ResNet 来说最后两个通常是全局平均池化层全连接层所以这一句的意义就是保留卷积特征提取部分去掉分类头。这样net的输出就不再是单个类别向量而是一个二维特征图。6. 验证主干网络输出形状例如我们可以喂一个输入看看X torch.rand(size(1, 3, 320, 480)) Y net(X) Y.shape如果使用 ResNet18输出通常会是torch.Size([1, 512, 10, 15])这说明输入图像大小是320 × 480经过卷积和下采样后特征图变成了10 × 15通道数为512这意味着什么说明网络已经把图像压缩得很厉害了虽然语义特征更强了但空间分辨率也明显降低了。所以后面必须进行上采样。7. 加入1×1卷积做类别预测假设我们的分割任务有 21 个类别例如 VOC 数据集那么就需要把512个通道映射成21个类别通道。常见写法如下num_classes 21 net.add_module(final_conv, nn.Conv2d(512, num_classes, kernel_size1))这里的1×1卷积层非常重要。它的作用是对每个空间位置上的 512 维特征做线性变换输出 21 个类别分数。也就是说对于特征图上的每个位置这一层都会预测属于背景的分数属于飞机的分数属于自行车的分数...属于第 21 类的分数所以1×1卷积本质上就是逐像素分类器8. 为什么1×1卷积特别适合这里因为我们现在不是想继续扩大感受野而是想对每个位置已有的通道特征做“类别变换”。1×1卷积刚好能实现这一点不改变空间尺寸只改变通道数对每个位置独立地做特征映射所以它非常适合作为分割头中的类别预测层。9. 加入转置卷积恢复分辨率前面输出特征图是[1, 21, 10, 15]但原图是[1, 3, 320, 480]显然10 × 15太小了不能直接作为最终分割结果。所以需要把它上采样回去。常见写法如下net.add_module( transpose_conv, nn.ConvTranspose2d(num_classes, num_classes, kernel_size64, padding16, stride32) )这一层就是转置卷积层。它的作用是把10 × 15的低分辨率类别特征图恢复到320 × 480左右的高分辨率预测图。10. 为什么这里输入输出通道数都是num_classes这一点很值得解释。在转置卷积之前特征图已经被1×1卷积变成了通道数 类别数也就是说每个通道都对应一个类别得分图。那么转置卷积此时要做的不再是重新提特征而是把这些类别得分图放大回更高分辨率所以输入输出通道数都可以保持为num_classes。换句话说1×1卷积负责“把特征变成类别得分”转置卷积负责“把类别得分图放大”11. 验证完整 FCN 输出形状完整模型后我们可以再跑一次X torch.rand(size(1, 3, 320, 480)) Y net(X) Y.shape输出通常是torch.Size([1, 21, 320, 480])这就很关键了。它说明对于一张320 × 480的图片模型输出了一个21 × 320 × 480的张量也就是说对于图像中的每一个像素位置模型都会输出 21 个类别分数。接着只需要在类别维度上取最大值就能得到最终类别图。12. 最终像素预测结果怎么得到假设模型输出为Y.shape (N, C, H, W)其中N是 batch sizeC是类别数H, W是空间尺寸那么最终预测类别图可以通过pred Y.argmax(dim1)得到。这样pred.shape (N, H, W)其中每个位置的值就是该像素预测的类别编号。这就完成了语义分割模型最核心的一步从类别分数图变成像素类别图。13. 转置卷积权重为什么常常初始化成双线性插值李沐这里还有一个很经典的点就是用双线性插值的方式初始化转置卷积核因为转置卷积本质上承担的是上采样任务。如果一开始权重完全随机放大结果可能很乱。所以更合理的做法是先让它像一个“比较平滑的插值器”再在训练过程中继续学习更合适的参数常见会写一个函数来生成双线性插值核例如def bilinear_kernel(in_channels, out_channels, kernel_size): factor (kernel_size 1) // 2 if kernel_size % 2 1: center factor - 1 else: center factor - 0.5 og (torch.arange(kernel_size).reshape(-1, 1), torch.arange(kernel_size).reshape(1, -1)) filt (1 - torch.abs(og[0] - center) / factor) * \ (1 - torch.abs(og[1] - center) / factor) weight torch.zeros((in_channels, out_channels, kernel_size, kernel_size)) weight[range(in_channels), range(out_channels), :, :] filt return weight然后把这个权重赋给转置卷积层。14. 为什么这种初始化合理因为语义分割里上采样至少应该先具备一个“平滑放大”的能力。而双线性插值正是经典的上采样方式之一。所以这种初始化相当于告诉模型一开始你先别乱学先像一个合理的插值器那样工作。然后训练再逐步把它调整成更适合当前任务的上采样核。这是一种非常实用的工程技巧。15. FCN 代码的完整逻辑可以怎么记这一节代码其实可以浓缩成一条清晰主线第一步拿预训练 ResNet 做骨干保留强大的卷积特征提取能力。第二步去掉分类头因为分割不需要整图分类。第三步加1×1卷积把高维特征变成每个类别的分数图。第四步加转置卷积把低分辨率分数图恢复到原图大小。第五步逐像素取最大类别得到最终分割预测图。只要把这五步记住FCN 代码整体就不容易乱。16. FCN 为什么说是“把分类网络改成分割网络”的典型代表这一节代码特别能体现 FCN 的思想本质它并没有重新设计一个完全陌生的新网络而是在已有分类 CNN 基础上做结构改造这说明一个很重要的深度学习思路许多视觉任务之间并不是完全割裂的它们常常能共享底层特征提取结构只是在输出层和任务头上做调整。FCN 就是这种“任务迁移式网络改造”的经典案例。17. 这一节代码最该掌握什么如果从学习重点来看这篇最需要掌握的是下面几件事。17.1[:-2]去掉分类头明白为什么要截断预训练网络。17.21×1卷积映射类别明白为什么它是逐像素分类器。17.3 转置卷积恢复分辨率明白它为什么是 FCN 输出高分辨率预测图的关键。17.4 输出张量形状含义搞清楚(N, C, H, W)表示什么。17.5argmax(dim1)的作用知道最终怎么把类别分数图变成预测类别图。18. 本节总结这一节我们学习了 FCN 的代码实现核心内容可以总结为以下几点。18.1 FCN 常用预训练分类网络做骨干例如 ResNet可以直接复用其卷积特征提取部分。18.2 去掉分类头后保留空间特征图这是从分类网络转向分割网络的关键第一步。18.31×1卷积负责输出类别分数图把每个空间位置的高维特征映射到类别维度。18.4 转置卷积负责上采样把较小的类别分数图恢复到原图大小。18.5 最终通过argmax得到像素级类别预测图从而完成语义分割。19. 学习感悟这一节非常有代表性因为它让我们真正看到一个经典模型并不一定复杂到看不懂关键是要能把它拆成几个功能明确的模块。FCN 代码其实并不花哨但思想很强用成熟分类网络提特征用1×1卷积做逐位置分类用转置卷积恢复空间尺寸整个过程非常有“工程拼装感”同时又很优雅。这也是为什么 FCN 在深度学习视觉发展史里地位很高。