深度学习——深卷积网络：实例探究[11]
目录
- 三个经典网络
- 残差网络
- 1x1卷积
- google inception网络
- 迁移学习
- 数据增强
- 如何使用开源代码
一、三个经典网络
- LeNet
[LeCun et al., 1998. Gradient-based learning applied to document recognition]
这篇文章较早，比如现在常用max，而当时用avg，当时也没有softmax
- AlexNet
[Krizhevsky et al., 2012. ImageNet classification with deep convolutional neural networks]
这篇文章让CV开始重视深度学习的使用，相对于LeNet-5，它的优点有两个：更大，使用ReLU
same表示使用same过滤器，也就是输入和输出维度一致
- VGG-16
[Simonyan & Zisserman 2015. Very deep convolutional networks for large-scale image recognition]
16表示总共有16个CONV和FC，这篇文章指出了信道数和维度变化的规律性（随网络增加/减少），缺点是参数实在太多了
阅读论文顺序：2-3-1
二、残差网络
[He et al., 2015. Deep residual learning for image recognition]
- 残差网络基础
残差网络由残差块组成，它使得网络可以变得更深。蓝色为正常路径，紫色为短路/跳跃连接，$a^{[l]}$的信息会直接作为$a^{[l+2]}$计算的输入(残差)。插入的位置是线性计算后，激活前
- plain network的问题
plain network指一般的网络。在plain network中随着深度增加，优化算法更难执行，所以可能会出现错误率先降后升的情况
网络越深越难训练：梯度消失/爆炸的问题
- 为什么Residual网络有用
假设对一个大型网络再增加两层（构成残差块）
|
$a^{[l+2]}=g(a^{[l]}+z^{[l+2]})\\=g(a^{[l]}+w^{[l+2]}a^{[l+1]}+b^{[l+2]})$ 如果让$w^{[l+2]}=0$，$b^{[l+2]}=0$，则$a^{[l+2]}=g(a^{[l]})$ 如果$g(x)$用ReLU激活函数，则$a^{[l+2]}=a^{[l]}$ 所以，在原来的网络上加上两层，再通过残差网络，还是可以很容易学习到恒等关系 如果不用残差网络，$a^{[l+2]}=g(z^{[l+2]})=g(w^{[l+2]}a^{[l+1]}+b^{[l+2]})$，要用这个学习到$a^{[l+2]}=a^{[l]}$，明显会比上面的方式难 当$a^{[l+2]}$和$a^{[l]}$形状不同时，$a^{[l+2]}=W_sa^{[l]}$，增加一个$W_s$矩阵。这个矩阵可以是学习的矩阵/参数，或固定矩阵（只是对$a^{[l]}$用0进行填充，使得变成想要的矩阵） |
- 残差网络的结构图
三、1x1卷积Network in network
[Lin et al., 2013, Network in network]
- 1x1卷积
当channel=1时，1x1没有什么效果
当channel=$n_c$时，$ReLU(n_hxn_wxn_c * (1x1xn_c)n_oc + b)=ReLU(n_hxn_wxn_oc + b)$，相当于对输入的元素运用了ReLU（非线性函数）
- 1x1卷积的作用
通过增加一个非线性函数使得信道数减少或保持不变（压缩信道的方法），以减少计算量
而池化层只能是对高度/宽度进行压缩
28x28x192 --ReLU(conv 1x1x32)-->28x28x32
四、google Inception网络
[Szegedy et al. 2014. Going deeper with convolutions]
Inception可以帮你决定应该采用什么样的过滤器，是否需要pool层等
它的做法是把各种过滤器的结果堆叠在一起
下例中的维度是自己定义的，这样最后输出的结果中会有256个信道
下图是一样Inception的一个基础块
- 问题：计算量很大
以上例中5x5过滤器为例，就需要计算120M次乘法
例 Input: 28x28x192 filter: 5x5 same 32 output:28x28x32
计算次数=5x5x32x28x28x32约等于120M
解决方法：加一个1x1过滤器，也称为bottleneck层（瓶颈层，是网络中是小的层）
28x28x192--conv 1x1x192 16-->28x28x16--conv 5x5x16 32-->28x28x32
计算次数=28x28x192x16 + 5x5x16x28x28x32 约等于12.4M下例中计算量就会降成12.4M
- 一个更完整些的Inception模块
大型的Inception网络结构：
其实就是把上面的模块重复连接。另外，网络后面几层会有一些分支。它们也和最后的输出一样进行输出，也就是说隐藏层也参与了最后输出的计算，这样可以避免过拟合的问题
小故事：Inception原名是googlenet，是为了向LeNet致敬，而后引用了Inception（盗梦空间），意在建议更深的网络
五、迁移学习
在CV中经常会用到迁移学习：利用已经训练好的网络来学习其它问题。一般推荐使用开源的网络来做，而非从0开始。根据拥有的数据量不同，有不同的处理方式
当数据量很小的时候，可以把最后一层softmax替换掉，而把前面所有的层不变（一般有参数如trainable, freeze可以用于设置参数不变），只训练最后一层
当数据量大一些的时候，可以多训练几层，也就是把前几层freeze，而后面几层进行训练
当数据量很大时，可以对整个网络进行训练，原来训练好的结果作为初始值， 这样就不用用随机初始化
六、数据扩充(augmentation)
对于CV应用，一般来说数据越多，网络性能越好。对于其它应用可能不一定，但是对计算机视觉，数据量是一个重要的因素。数据扩充就是对原有数据进行处理以获得更多的数据
- 常用的方法
mirror（镜像）/random crop（随机裁剪）/rotation（旋转）/shearing（切变）/local warping（局部扭曲变形）
改变颜色（PCA（主成分分析））
- data augmentation（增强）的实现
采用多线程，一个线程读取数据并修改，改后的数据传递给其它线程训练，实现数据处理与网络训练并行
超参数：颜色要改变多少，裁剪什么位置等
七、如何使用开源代码
使用网络框架
尽可能使用开源的实现
使用预训练好的模型，并在自己的数据集上fine-tune
