本项目用Paddle2.0复现RAN，在10类动物数据集（8:2划分）上实验，对比RAN-56与ResNet50。RAN-56验证准确率85.26%，远高于ResNet50的58.88%，体现注意力机制优势。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
项目背景
RAN(Residual Attention Network)是2017年CVPR上的一篇论文Residual Attention Network for Image Classification中提出的基于注意力机制的卷积网络模型。本项目即对其进行复现。
该论文声称首次将注意力机制应用在图片分类任务上。本项目复现RAN（Residual Attention Network）并用其来完成动物图像分类的实验。
项目简介
本项目首次使用paddle2.0复现了含有注意力机制的网络RAN，并在动物数据集上进行了训练和验证。
动物数据集的划分是按8:2的的划分方法进行训练集与验证集划分的。
模型简介
RNA网络的核心思想是提出了注意力模块。该模块含有残差结构，可以像残差网络一样通过堆叠注意力模块来提高网络的性能。有别于后续出现的含有注意力机制的卷积网络，RAN不是即插即用的模块，而是一种独立的完备的网络架构。RAN的网络结构如图1所示。
图1 残差注意力模块细节示意图
具体实现可以fork后见代码细节。
论文原文：Residual Attention Network for Image Classification
参考代码：
PyTorch的实现
数据集介绍
本项目使用10分类的动物数据集进行训练和测试.
该十分类动物数据集，包含dog,horse,elephant,butterfly,chicken,cat,cow,sheep,spider和squirrel。每一分类的图片数量为2k-5k。
文件结构
ran.pyran网络定义文件attention_module.py注意力模块定义文件basic_layers.py残差模块定义文件animal_dataset.py数据集定义文件config.py配置文件train_val_split.py训练验证划分文件train.py模型训练eval.py模型验证
解压数据集
In [18]
!unzip -q data/data70196/animals.zip -d work/dataset
查看图片
In [ ]
import osimport randomfrom matplotlib import pyplot as pltfrom PIL import Imageimgs = []paths = os.listdir('work/dataset')for path in paths: img_path = os.path.join('work/dataset', path) if os.path.isdir(img_path): img_paths = os.listdir(img_path) img = Image.open(os.path.join(img_path, random.choice(img_paths))) imgs.append((img, path))f, ax = plt.subplots(3, 3, figsize=(12,12))for i, img in enumerate(imgs[:9]): ax[i//3, i%3].imshow(img[0]) ax[i//3, i%3].axis('off') ax[i//3, i%3].set_title('label: %s' % img[1])plt.show()
划分训练集和验证集
In [19]
!python code/train_val_split.py
finished train val split!
使用RAN-56网络进行动物分类的训练并验证
In [1]
!python code/train.py --net 'ran'
验证
In [3]
!python code/eval.py --net 'ran'
W0224 11:30:25.761442 11240 device_context.cc:362] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 11.0, Runtime API Version: 10.1W0224 11:30:25.766026 11240 device_context.cc:372] device: 0, cuDNN Version: 7.6.Eval begin...The loss value printed in the log is the current batch, and the metric is the average value of previous step.step 103/103 [==============================] - loss: 0.7512 - acc: 0.8526 - 184ms/step Eval samples: 3276{'loss': [0.75124395], 'acc': 0.8525641025641025}
图示训练验证过程
图2. 使用RAN-56的训练验证图示
使用ResNet50网络进行动物分类的训练并验证
训练
In [2]
!python code/train.py --net 'resnet'
验证
In [ ]
!python code/eval.py --net 'resnet'
W0213 21:34:50.038996 12684 device_context.cc:362] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 10.1, Runtime API Version: 10.1W0213 21:34:50.043457 12684 device_context.cc:372] device: 0, cuDNN Version: 7.6.Eval begin...The loss value printed in the log is the current batch, and the metric is the average value of previous step.step 103/103 [==============================] - loss: 1.4232 - acc: 0.5888 - 191ms/step Eval samples: 3276{'loss': [1.4232028], 'acc': 0.5888278388278388}
图示训练验证过程
图3. 使用ResNet-50的训练验证图示
比较
图4. 使用RAN-56和ResNet-50的验证比较图示
以上就是基于Paddle2.0的注意力卷积网络RAN的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/52275.html
微信扫一扫 
支付宝扫一扫 
