最近主要學習了兩篇論文以及相關的代碼。

1、Bilinear CNN

這篇論文主要是在細粒度分類上應用的，在全連接層之前，在所有的卷積計算完成之后，進行的Bilinear計算，關鍵的代碼如下：

?

def forward(self, X):"""Forward pass of the network.Args:X, torch.autograd.Variable of shape N*3*448*448.Returns:Score, torch.autograd.Variable of shape N*200."""N = X.size()[0]assert X.size() == (N, 3, 448, 448)X = self.features(X)assert X.size() == (N, 512, 28, 28)X = X.view(N, 512, 28**2)X = torch.bmm(X, torch.transpose(X, 1, 2)) / (28**2) # Bilinearassert X.size() == (N, 512, 512)X = X.view(N, 512**2)X = torch.sqrt(X + 1e-5)X = torch.nn.functional.normalize(X)X = self.fc(X)assert X.size() == (N, 200)return X

?

這個地方和判斷卷積核提取的特征的相似度判別，求取的相似矩陣有很大的相似之處。

2、?Randomly Wired Neural Network

將隨機圖應用到神經網絡的構建之中，講道理，構建的網絡其實和DenseNet這種有很大的相似性。具體的過程，寄到筆記本上了。

?

轉載于:https://www.cnblogs.com/yanxingang/p/10689547.html

總結

以上是生活随笔為你收集整理的Bilinear CNN与 Randomly Wired Neural Network的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。