一、DenseNet

  DenseNet的网络结构如图1-1所示，其核心是Dense Block模块，Dense Block中的一个黑点就代表一个卷积模块（不是一个卷积层，而是DenseNet提出的一个BottleNeck模块，后文有讲解），每条黑线都代表着数据的流动。

• DenseNet的每一个Dense Block内保持特征图的尺寸一致，目的是为了直接进行Concat操作，因此，DenseNet被分成了多个Dense Block（每个Dense Block内不能改变特征图大小，但整个DenseNet为了提取特征，需要减小特征图尺寸，即每个Dense Block内特征图尺寸一致，不同Dense Block内特征图尺寸不一致），Dense Block的数量一般为4。
• 两个相邻的Dense Block之间的部分被称为Transition层，具体包括BN、ReLU、1×1卷积、2×2平均池化。其中，1×1卷积的作用是降维，2×2平均池化的作用是降低特征图的尺寸。

二、Dense Block

  Dense Block的实现细节如图2-1所示，每一个Dense Block由若干个BottleNeck卷积模块组成，BottleNeck由BN、ReLU、1×1卷积、BN、ReLU、3×3卷积顺序组成。

• 每一个BottleNeck的输出通道数是相同的（每个BottleNeck模块最后3×3卷积的输出通道数相同），例如图2-1中的32，每经过一次Concat，特征图的通道数就增加32，因此这里的32也被称为GrowthRate。（假设对于一个Dense Block来说，输入通道数为$c_{in}$，输出通道数为$c_{out}$，该Dense Block内有$n$个BottleNeck，则$c_{out}=c_{in}+n\times GrowthRate$，图2-1可看作$192=64+4\times 32$）

• 1×1卷积的作用是固定输出通道数，避免因网络结构过深而导致特征图的通道数急剧增加（每次Concat后，通道数都会增加GrowthRate，若不使用1×1卷积降维，后续3×3卷积的参数量会急剧增加）。1×1卷积的通道数通常是GrowthRate的4倍。

三、DenseNet优势

• 密集连接的特殊网络，使得每一层都会接受其后所有层的梯度，而不是像普通卷积链式的反向传播，因此一定程度上解决了梯度消失的问题。
• 通过Concat操作使得大量特征被复用，每个曾独有的特征图的通道是较少的，因此比ResNet的参数更少且计算更高效。