rexnetv1
最后更新
luxonis_train.nodes.backbones.rexnetv1ReXNet-lite 主干网络及其重复的线性瓶颈。类
LinearBottleneck
t 不为 1 时,该块首先使用 1x1 卷积扩展通道。然后应用深度可分离卷积,并使用 1x1 卷积投影到 channels。扩展和深度可分离卷积以 ReLU6 结束。投影没有激活。每个卷积都有一个批归一化。当 stride 为 1 且 in_channels <= channels 时,该块将其输入添加到前 in_channels 个输出通道。其他输出通道没有快捷连接。示例
Pycon
1>>> import torch
2>>> block = LinearBottleneck(8, 12, t=6)
3>>> block(torch.zeros(1, 8, 4, 4)).shape
4torch.Size([1, 12, 4, 4])
5>>> strided = LinearBottleneck(8, 12, t=6, stride=2)
6>>> strided(torch.zeros(1, 8, 4, 4)).shape
7torch.Size([1, 12, 2, 2])方法
init
Python
1def __init__(in_channels: int, channels: int, t: int, kernel_size: int = 3, stride: int = 1):in_channels(int): 输入通道数。channels(int): 输出通道数。t(int): 扩展因子。深度可分离卷积有in_channels * t个通道。对于1,该块没有扩展卷积。kernel_size(int): 深度可分离核的大小。填充为kernel_size // 2。stride(int): 深度可分离卷积的步幅。
forward
Python
1def forward(x: Tensor) -> Tensor:x(Tensor): 形状为[B, in_channels, H, W]的输入。
Tensor: 形状为[B, channels, H', W']的输出。深度可分离卷积的步幅设置H'和W'。通过快捷连接,前in_channels个通道保存输入和投影的和。
属性
out
ReXNetV1_lite
ReLU6 是其唯一的激活函数。该节点是 18 个模块的堆栈:一个步幅为 2 的 3x3 茎,16 个 LinearBottleneck 块,分为六个阶段,以及一个 1x1 卷积。在默认参数下,此卷积有 1280 个通道。输入::inputs(Tensor): [B, C, H, W]
输出::features(list[Tensor]): 每个out_indices一个;默认步幅为 2、8、16、32,通道数为 16、56、120、1280
参考文献
- 来源:改编自 clovaai/rexnet (MIT)。论文:Rethinking Channel Dimensions for Efficient Model Design。
- 许可证:MIT。版权所有 2021-present NAVER Corp。
注意事项
茎始终需要 3 个输入通道。它不读取
in_channels。out_indices 按模块索引选择输出:0 是茎,1 到 16 是瓶颈,17 是最终的 1x1 卷积。变体:: 无。通过params配置节点。
示例
配置的
model.nodes 部分中的节点条目:Yaml
1- name: ReXNetV1_lite兼容::- 附加索引:
-1,输入节点的最后一个输出
- 附加索引:
方法
init
Python
1def __init__(fix_head_stem: bool = False, divisible_value: int = 8, input_ch: int = 16, final_ch: int = 164, multiplier: float = 1.0, kernel_sizes: int | list[int] = 3, out_indices: list[int] | None = None, **kwargs):input_ch 增长到 input_ch + final_ch。multiplier 缩放这些计数。低于 1 的 multiplier 仅缩放增长,不缩放 input_ch。茎有 32 个通道。高于 1 的 multiplier 会给茎 32 * multiplier 个通道,给最终卷积 int(1280 * multiplier) 个通道,除非 fix_head_stem 为 True。构造函数将茎和瓶颈的通道数向上舍入为 divisible_value 的倍数。参数fix_head_stem(bool): 是否将茎保持在 32 个通道,将最终卷积保持在 1280 个通道。它仅在multiplier大于1时改变网络。divisible_value(int): 茎和瓶颈的通道数是其倍数的数字。input_ch(int): 第一个瓶颈的输出通道,在multiplier之前。final_ch(int): 从第一个到最后一个瓶颈的通道增长,在multiplier之前。它不是最后一个瓶颈的通道数。multiplier(float): 通道数的比例。kernel_sizes(int | list[int]): 深度可分离核的大小。列表为六个阶段中的每个阶段提供一个大小。out_indices(list[int] | None): 其输出 forward 返回的模块的索引。0是茎,1到16是瓶颈,17是最终卷积。None或空列表选择[1, 4, 10, 17]。**kwargs: 转发给 BaseNode 的关键字参数。
ValueError: 当kernel_sizes是一个不完全包含六个值的列表时。
forward
Python
1def forward(inputs: Tensor) -> list[Tensor]:示例
Pycon
1>>> import torch
2>>> from luxonis_train.nodes import ReXNetV1_lite
3>>> node = ReXNetV1_lite()
4>>> [tuple(t.shape) for t in node(torch.zeros(1, 3, 64, 64))]
5[(1, 16, 32, 32), (1, 56, 8, 8), (1, 120, 4, 4), (1, 1280, 2, 2)]inputs(Tensor): 形状为[B, 3, H, W]的图像批次。
list[Tensor]: 索引在out_indices中的模块的输出,按模块顺序排列。超出0到17的索引不选择任何内容。默认索引给出步幅 2、8、16 和 32,通道数为 16、56、120 和 1280。