每天五分钟计算机视觉：稠密连接网络（DenseNet）

本文重点

在前面的课程中我们学习了残差网络ResNet,而DenseNet可以看成是ResNet的后续，我们看一下图就可以看出二者的主要区别了。

特点

DenseNet是一种卷积神经网络，它的特点是每一层都直接连接到所有后续层。这意味着，每一层都接收来自前一层的输出，并将其作为输入传递到下一层。这种连接方式实现了特征重用，使得网络能够更好地利用前面的特征信息，减少了参数的数量。

比较

如图所示，主要区别就是ResNet使用相加的方式，而DenseNet使用在通道上面拼接的方式，这样就会使得模块A的输出可以直接传入模块B后面的层，使得模块A直接跟模块B后面的所有层连接在了一起。

稠密块和过渡层

稠密块

稠密块就是完成拼接的。拼接，就是在通道的维度上进行拼接，比如A的通道为3，而输出的通道为10，那么拼接的通道就是13了，这会造成通道过多，从而造成模型的复杂，要想解决这个问题，此时需要使用过渡层来完成通道的降维。

过渡层

前面我们学习过1*1的卷积层可以完成这个任务，所以我们使用1*1的卷积层作为过渡层的主要部分，并且使用步幅为2的平均池化层来减半高和宽，从而进一步的降低模型的复杂度。

DenseNet的优点

参数效率高：由于每一层都直接连接到所有后续层，因此可以重用前面的特征信息，减少了参数的