MXNET-如何将辍学层添加到RESNET_V1预验证的模型

Question

我试图在MXNET：RESNET50_V1中验证一个预算的模型。 该模型没有辍学，我想添加它以避免过度拟合，并使其看起来与i3d_resnet50_v1_kinetics400的最后一层相似。 我尝试执行以下操作，但是当训练时会遇到错误：

原始网络的最后一层（resnet50_v1）：

...
(8): GlobalAvgPool2D(size=(1, 1), stride=(1, 1), padding=(0, 0), ceil_mode=True, global_pool=True, pool_type=avg, layout=NCHW)
  )
  (output): Dense(2048 -> 1000, linear)

我的尝试：

    classes = 2
    model_name = 'ResNet50_v1'
    finetune_net = get_model(model_name, pretrained=True)

    with finetune_net.name_scope():
       finetune_net.output = nn.Dense(2048, in_units=2048)
       finetune_net.head = nn.HybridSequential()
       finetune_net.head.add(nn.Dropout(0.95))
       finetune_net.head.add(nn.Dense(2, in_units=2048))
       finetune_net.fc = nn.Dense(2, in_units=2048)

    finetune_net.output.initialize(init.Xavier(), ctx = ctx)
    finetune_net.head.initialize(init.Xavier(), ctx = ctx)
    finetune_net.fc.initialize(init.Xavier(), ctx = ctx)
    finetune_net.collect_params().reset_ctx(ctx)
    finetune_net.hybridize()

修改后的网络的最后一层（ RESNET50_V1）：

...
(8): GlobalAvgPool2D(size=(1, 1), stride=(1, 1), padding=(0, 0), ceil_mode=True, global_pool=True, pool_type=avg, layout=NCHW)
  )
(output): Dense(2048 -> 2048, linear)
  (head): HybridSequential(
    (0): Dropout(p = 0.95, axes=())
    (1): Dense(2048 -> 2, linear)
  )
  (fc): Dense(2048 -> 2, linear)
)

i3d_resnet50_v1_kinetics400的最后一层：

...## Heading ## 
(st_avg): GlobalAvgPool3D(size=(1, 1, 1), stride=(1, 1, 1), padding=(0, 0, 0), ceil_mode=True, global_pool=True, pool_type=avg, layout=NCDHW)
    (head): HybridSequential(
      (0): Dropout(p = 0.8, axes=())
      (1): Dense(2048 -> 2, linear)
    )
    (fc): Dense(2048 -> 2, linear)

这就是训练网络的修改网络的偏见，

Parameter resnetv10_dense1_weight (shape=(2048, 2048), dtype=float32) write
Parameter resnetv10_dense1_bias (shape=(2048,), dtype=float32) write
Parameter resnetv10_dense2_weight (shape=(2, 2048), dtype=float32) write
Parameter resnetv10_dense2_bias (shape=(2,), dtype=float32) write
Parameter resnetv10_dense3_weight (shape=(2, 2048), dtype=float32) write
Parameter resnetv10_dense3_bias (shape=(2,), dtype=float32) write

训练时的错误：

/usr/usr/ local/lib/python3.7/dist-packages/mxnet/gluon/block.py：825：userWarning：参数resnetv10_dense3_bias，resnetv10_dense3_weight，resnetv10_dense2_dense2_bias，resnetv10_dense2_dense2_dense2_dense2_dense2_dense2_densens2_dense2_densens2_dense2_weight不使用任何计算。这是打算的吗？ out = self.forward（*args）

用户遵守：参数的梯度resnetv10_dense2_bias上下文gpu（0）上没有从上次step向后更新。这可能意味着模型中的一个错误，使其仅使用此迭代的参数（块）子集。如果您仅故意使用子集，请使用ignore_stale_grad = true调用步骤，以抑制此警告并跳过使用Stale梯度密度

浓密2和密度3的参数更新，我添加了作为新密集层的添加的参数。 dense1已经在模型中，我刚刚将产量从1000更改为2048年。

任何帮助都会非常感谢，因为我很困惑...

Answer 1

由于您将新层分配给模型，因此您应该重新进化hybrid_forward（或forward）方法，以将它们包含在计算中：

from mxnet.gluon import nn
from mxnet.init import Xavier
from mxnet.gluon.block import HybridBlock

class MyResNet(HybridBlock):
    def __init__(self, **kwargs):
        super().__init__(**kwargs)
        self.finetune_net = get_model('ResNet50_v1', pretrained=True)
        self.finetune_net.output = nn.Dense(2048, in_units=2048)
        self.head = nn.HybridSequential()
        self.head.add(nn.Dropout(0.95))
        self.head.add(nn.Dense(2, in_units=2048))
        self.fc = nn.Dense(2, in_units=2048)

    def hybrid_forward(self, F, x):
        x = self.finetune_net(x)
        x = self.head(x)
        x = self.fc(x)
        return x

    def initialize_outputs(self):
        self.finetune_net.output.initialize(init=Xavier())
        self.head.initialize(init=Xavier())
        self.fc.initialize(init=Xavier())

my_resnet = MyResNet()
my_resnet.initialize_outputs()
my_resnet(x)