# Week8-densenet

**Repository Path**: liam1030/Week8-densenet

## Basic Information

- **Project Name**: Week8-densenet
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 1
- **Created**: 2018-11-06
- **Last Updated**: 2020-12-19

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

#尝试DenseNet-121在cifarnet-10上的效果：
运行截图见附件
INFO:tensorflow:Evaluation [20/200]
INFO:tensorflow:Evaluation [40/200]
INFO:tensorflow:Evaluation [60/200]
INFO:tensorflow:Evaluation [80/200]
INFO:tensorflow:Evaluation [100/200]
INFO:tensorflow:Evaluation [120/200]
INFO:tensorflow:Evaluation [140/200]
INFO:tensorflow:Evaluation [160/200]
INFO:tensorflow:Evaluation [180/200]
INFO:tensorflow:Evaluation [200/200]

 **eval/Recall_5[0.9796]
eval/Accuracy[0.7069]** 

1.问题1：初始代码中每个Bottleneck layer在论文的BN-relu-conv的基础上都加上了dropout，是否会丢失过多信息？

2.对growth的理解： 第l层的输入有k0 + k × (l − 1)个特征图，k为growth rate，代表在第l层将k个特征图从第l-1层引入.

3.对稠密链接的理解：每一层都接收前面所有层的输出，在L层就有L(L-1) / 2个connection，所以每一层输出的特征图数量k比较小就可以，大大减少了参数数量，而且每一层的特征都得到了充分的利用。