Pytorch：降低U-net模型中的参数

如何解决Pytorch：降低U-net模型中的参数

任何人都可以给我一些有关如何在以下U-net实现中降低参数数量的提示。我在过度拟合训练数据时遇到麻烦，我想降低参数以查看它是否可以提高验证数据的准确性。 层数：

First2D

layers = [
        nn.Conv2d(in_channels,middle_channels,kernel_size=3,padding=1),nn.BatchNorm2d(middle_channels),nn.ReLU(inplace=True),nn.Conv2d(middle_channels,out_channels,nn.BatchNorm2d(out_channels),nn.ReLU(inplace=True)
    ]

Encoder2D

layers = [
        nn.MaxPool2d(kernel_size=downsample_kernel),nn.Conv2d(in_channels,nn.ReLU(inplace=True)
    ]

Center2D

layers = [
        nn.MaxPool2d(kernel_size=2),nn.ConvTranspose2d(out_channels,deconv_channels,kernel_size=2,stride=2)
    ]

Decoder2D

layers = [
        nn.Conv2d(in_channels,stride=2)
    ]

Last2D

layers = [
        nn.Conv2d(in_channels,kernel_size=1),nn.Softmax(dim=1)
    ]

解决方法

减少参数数量的一种方法是减少卷积中的通道数量。您将无法更改模型输入和输出通道的数量，因为它们取决于数据，但是您可以更改中间通道的数量。

请记住，一层的输出是下一层的输入，因此对于每对层，请使第一层中的输出通道数与第二层中的输入通道数相同。例子是

layers = [
    nn.Conv2d(in_channels,middle_channels//2,kernel_size=3,padding=1),nn.BatchNorm2d(middle_channels//2),nn.ReLU(inplace=True),nn.Conv2d(middle_channels//2,out_channels,nn.BatchNorm2d(out_channels),nn.ReLU(inplace=True)
]

现在，要解决原始的过度拟合问题，首先，您可能想先尝试使用其他东西，然后再缩小模型尺寸。其中包括数据扩充和数据丢失。