参考https://blog.csdn.net/caicai2526/article/details/79792644

DenseNet网络是应用由于分类任务中，在目前较好的分类网络ResNets，他们之前存在着很多的不同。下面先来说一说。
先来看一看网络模型结构：

DenseNet主要解决的问题是缓解了消失梯度的问题，增强了特征的传播，促进了特征再利用，大大减少了参数的数量，使网络模型模型进行缩减。
这篇文章中作者主要用了DenseNet-121（k=32），DenseNet-169（k=32），DenseNet-201（k=32），DenseNet-161（k=48），在三个数据集中进行测试。下图是测试结果。

DenseNet是一种密集的连接模式的直观效果，它需要的参数比传统的娟娟网络少，无需重新学习冗余的特征图，改善看网络中的信息流和梯度。对于ResNet是采用合并之前所有层的特征到一层的方法。
下面是图片输入后进行操作，值得注意的是Dense里面每一张特征图谱的连接的前提条件必须是特征图谱的大小一致，不然的话也是不可能连接的在文章中作者说的并不是很清楚，我们可以从提供的代码中进行解读，以及对于图像是如何进行降维的在文中我们可以知道两个Dense之间是有一个卷积层和一个pooling层，降维的操作主要是在pooling层中进行，卷积层并没有。

下面是文章的链接以及代码的链接：
https://arxiv.org/pdf/1608.06993.pdf
https://github.com/liuzhuang13/DenseNet
一个博客对文章的翻译：
https://blog.csdn.net/tumi678/article/details/78667966?locationNum=7&fps=1

代码实现（Caffe）

后续pytorch以及keras等代码实现之后补充
在利用本文提供的代码对自己的数据进行训练：网络结构的prototxt文件地址： https://github.com/shicai/DenseNet-Caffe
在利用的时候出现的问题：
Question: https://github.com/shicai/DenseNet-Caffe/issues/10
fine-tuning： https://github.com/shicai/DenseNet-Caffe/issues/8
[libprotobuf ERROR google/protobuf/text_format.cc:245] Error parsing text-format caffe.NetParameter: 54:14: Message type “caffe.PoolingParameter” has no field named “ceil_mode”.

解决办法：https://github.com/BVLC/caffe/pull/3057/files

其中，include/caffe/vision_layers.hpp，由于caffe结构已经修改，没有这个文件了，经过查看之后，发现该文件是：/home/ccf/caffe/include/caffe/layers/pooling_layer.hpp

第一步：/home/ccf/caffe/include/caffe/layers/pooling_layer.hpp,修改如下:注意注释后的部分是添加的

  int kernel_h_, kernel_w_;
  int stride_h_, stride_w_;
  int pad_h_, pad_w_;
  int channels_;
  int height_, width_;
  int pooled_height_, pooled_width_;
  bool global_pooling_;
  bool ceil_mode_;//添加一个ceil_mode_
  Blob<Dtype> rand_idx_;
  Blob<int> max_idx_;
};

这边的ceil_mode_是确定是否取整,默认值为True;ceil具体问下有介绍

第二步： 修改src/caffe/layers/pooling_layer.cpp

找到第37行,添加如下

  global_pooling_ = pool_param.global_pooling();
  ceil_mode_ = pool_param.ceil_mode();// 添加
  if (global_pooling_) {
    kernel_h_ = bottom[0]->height();
    kernel_w_ = bottom[0]->width();
  } else {

找到第91行,添加,和注释如下:

  if (global_pooling_) {
    kernel_h_ = bottom[0]->height();
    kernel_w_ = bottom[0]->width();
  }
  //pooled_height_ = static_cast<int>(ceil(static_cast<float>(  //以下需要注释
  //    height_ + 2 * pad_h_ - kernel_h_) / stride_h_)) + 1;
  //pooled_width_ = static_cast<int>(ceil(static_cast<float>(
  //    width_ + 2 * pad_w_ - kernel_w_) / stride_w_)) + 1;
  // Specify the structure by ceil or floor mode  //以上需要注释
  if (ceil_mode_) {                                           //以下需要添加
   pooled_height_ = static_cast<int>(ceil(static_cast<float>(
        height_ + 2 * pad_h_ - kernel_h_) / stride_h_)) + 1;
    pooled_width_ = static_cast<int>(ceil(static_cast<float>(
        width_ + 2 * pad_w_ - kernel_w_) / stride_w_)) + 1;
  } else {
    pooled_height_ = static_cast<int>(floor(static_cast<float>(
        height_ + 2 * pad_h_ - kernel_h_) / stride_h_)) + 1;
    pooled_width_ = static_cast<int>(floor(static_cast<float>(
        width_ + 2 * pad_w_ - kernel_w_) / stride_w_)) + 1;
  }// 以上需要添加
  if (pad_h_ || pad_w_) {
    // If we have padding, ensure that the last pooling starts strictly
    // inside the image (instead of at the padding); otherwise clip the last.

第三步：src/caffe/proto/caffe.proto,第925行修改如下

 // If global_pooling then it will pool over the size of the bottom by doing
  // kernel_h = bottom->height and kernel_w = bottom->width
  optional bool global_pooling = 12 [default = false];
  // Specify floor/ceil mode
  optional bool ceil_mode = 13 [default = true];//需要添加
}

message PowerParameter {

然后make all -j8应该编译就能通过了

关于ceil()和floor()区别是一个取整的区别,

C/C++ 取整函数ceil(),floor()

#include <math.h> double floor(double x); 

float floorf(float x); 
long double floorl(long double x);

double floor(double x);

double ceil(double x);

使用floor函数。floor(x)返回的是小于或等于x的最大整数。
如：     floor(10.5) == 10    floor(-10.5) == -11

使用ceil函数。ceil(x)返回的是大于x的最小整数。
如：     ceil(10.5) == 11    ceil(-10.5) ==-10

    
floor()是向负无穷大舍入，floor(-10.5) == -11；
ceil()是向正无穷大舍入，ceil(-10.5) == -10