深度卷積網(wǎng)絡(luò)

經(jīng)典網(wǎng)絡(luò)

LeNet網(wǎng)絡(luò)

LeNet網(wǎng)絡(luò)的結(jié)構(gòu)如下圖所示惠勒,可以看出赚抡,LeNet網(wǎng)絡(luò)并沒(méi)有使用padding,每進(jìn)行一次卷積纠屋,圖像的高度和寬度都會(huì)縮小涂臣,而通道數(shù)會(huì)一直增加。在全連接層中有400個(gè)節(jié)點(diǎn)售担,每個(gè)極點(diǎn)都有120個(gè)神經(jīng)元赁遗,有時(shí)還會(huì)從這400個(gè)節(jié)點(diǎn)抽取一部分節(jié)點(diǎn)構(gòu)建一個(gè)全連接層署辉,即有兩個(gè)全連接層。在該網(wǎng)絡(luò)中岩四,最后一步就是利用84個(gè)特征得到最后的輸出哭尝,該網(wǎng)絡(luò)剛開(kāi)始使用的是sigmoid函數(shù)tanh函數(shù),而現(xiàn)在常常傾向于使用softmax函數(shù)炫乓。需要注意的是刚夺,LeNet-5網(wǎng)絡(luò)進(jìn)行圖像分類時(shí)献丑,輸入的圖像是單通道的灰度圖像末捣。

AlexNet

AlexNet是以論文第一作者的名字命名的,該網(wǎng)絡(luò)的結(jié)構(gòu)创橄,如下圖所示箩做,該網(wǎng)絡(luò)的輸出層使用了softmax函數(shù)。AlexNet網(wǎng)絡(luò)比LeNet網(wǎng)絡(luò)規(guī)模更大妥畏,大約有6000萬(wàn)個(gè)參數(shù)邦邦,用于訓(xùn)練圖像和數(shù)據(jù)集時(shí),能夠處理非常相似的基本構(gòu)造模塊醉蚁,這些模塊中包含著大量的隱藏單元燃辖,并且與LeNet網(wǎng)絡(luò)不同的是,該網(wǎng)絡(luò)使用了ReLu的激活函數(shù)网棍。

VGG-16

VGG-16網(wǎng)絡(luò)沒(méi)有太多的超參數(shù)黔龟,這是一種專注于構(gòu)建卷積層的簡(jiǎn)單網(wǎng)絡(luò)。如下圖所示滥玷,該網(wǎng)絡(luò)首先利用64個(gè)過(guò)濾器進(jìn)行了兩次卷積氏身,接著在池化層將輸入圖像壓縮,接著又是128個(gè)過(guò)濾器進(jìn)行兩次卷積惑畴,接著載池化蛋欣。繼續(xù)用256個(gè)過(guò)濾器進(jìn)行3次卷積,再池化如贷,接著再利用512個(gè)過(guò)濾器卷積3次陷虎,再池化,將稍后得到的特征圖進(jìn)行全連接操作杠袱,再進(jìn)softmax激活尚猿。

殘差網(wǎng)絡(luò)(ResNets:Residual Networks)

由于存在梯度消失和梯度爆炸的原因,深層次的神經(jīng)網(wǎng)絡(luò)是很難訓(xùn)練的霞掺,如果采用一種跳躍連接的方式谊路,即從某一層網(wǎng)絡(luò)層獲取激活,然后迅速反饋給另外一層菩彬,甚至是神經(jīng)網(wǎng)絡(luò)的更深層缠劝。這種利用跳躍連接構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)ResNets潮梯,深度能夠超過(guò)100層

一個(gè)簡(jiǎn)單的兩層神經(jīng)網(wǎng)絡(luò)示例,如下圖所示:


常規(guī)的輸出和輸出之間的關(guān)系可以用如下的公式表示:
z^{[l+1]} = W^{[l+1]}a^{[l]}+b^{[l+1]} \tag{1}
a^{[l+1]} = g(z^{[l+1]}) \tag{2}
z^{[l+2]} = W^{[l+2]}a^{[l+1]}+b^{[l+2]} \tag{3}
a^{[l+2]} = g(z^{[l+2]}) \tag{4}
a^{[l+2]} = g(z^{[l+2]}) \tag{5}

如上公式所述惨恭,這是一條神經(jīng)網(wǎng)絡(luò)的主路徑秉馏。如果將a^{[l]}的輸入直接到深層的激活函數(shù)之前,此時(shí)脱羡,神經(jīng)網(wǎng)絡(luò)有了一條副路徑萝究,其對(duì)應(yīng)輸出將有公式(5)變成如下所示的公式(6)

a^{[l+2]} = g(z^{[l+2]}+a^{[l]}) \tag{6}
此時(shí)的輸入除了原先的輸入a^{[l+2]}外,多了一個(gè)a^{[l]}項(xiàng)锉罐,即由于a^{[l]} 產(chǎn)生了一個(gè)殘差塊帆竹。

構(gòu)建一個(gè)ResNet網(wǎng)絡(luò)就是將很多這樣的殘差塊堆積在一起,形成一個(gè)深度神經(jīng)網(wǎng)絡(luò)脓规,如下所示:


使用傳統(tǒng)的標(biāo)準(zhǔn)優(yōu)化算法訓(xùn)練一個(gè)網(wǎng)絡(luò)栽连,隨著網(wǎng)絡(luò)深度的增加,訓(xùn)練誤差會(huì)先減小再增加侨舆,隨著網(wǎng)絡(luò)層數(shù)的增加秒紧,優(yōu)化算法會(huì)越難以訓(xùn)練,訓(xùn)練誤差也會(huì)越來(lái)越多挨下。但是熔恢,使用ResNet網(wǎng)絡(luò),能夠有效地避免這種情況臭笆。

對(duì)殘差網(wǎng)絡(luò)的理解

如上所述叙淌,加入殘差網(wǎng)絡(luò)之后,其輸出計(jì)算公式如公式(6)所示耗啦,展開(kāi)這個(gè)公式凿菩,則有:
a^{[l+2]} = g(W^{[l+2]}a^{[l+1]}+b^{[l+2]}+a^{[l]}) \tag{7}

如果使用L2正則化或者權(quán)重衰減,則會(huì)壓縮權(quán)重參數(shù)W^{[l+2]}的值帜讲,如果參數(shù)W^{[l+2]}和參數(shù)b^{[l+2]}等于0衅谷,其輸出將由公式(7)變成a^{[l+2]} = g(a^{[l]}),假定使用ReLU激活函數(shù)似将,則有:a^{[l+2]} = a^{[l]}

由于殘差網(wǎng)絡(luò)存在的這種跳躍連接获黔,很容易得出以上等式,這意味著在验,即使給神經(jīng)網(wǎng)絡(luò)增加兩層玷氏,但是其效率并不遜色與更簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)。并且由于存在以上恒等式腋舌,使得網(wǎng)絡(luò)學(xué)習(xí)隱藏層的單元的信息更加容易盏触。而普通網(wǎng)絡(luò),隨著網(wǎng)絡(luò)層數(shù)的增加,學(xué)習(xí)參數(shù)會(huì)變得很困難赞辩。

此外雌芽,關(guān)于殘差網(wǎng)絡(luò),如公式(6)所示辨嗽,假設(shè)z^{[l+2]}a^{[l]}具有相同的維度世落,由于ResNets使用了許多same卷積,a^{[l]}的維度等于輸出層的維度糟需。如果輸入和輸出具有不同的維度屉佳,可以再增加一個(gè)矩陣W_s,使得W_s*a^{[l]}a^{[l+2]}具有相同的維度洲押。而W_s的維度可以通過(guò)0值填充調(diào)節(jié)武花。

1×1的卷積網(wǎng)絡(luò)

在卷積網(wǎng)絡(luò)的架構(gòu)設(shè)計(jì)中,一種有趣的想法是會(huì)使用到1×1的過(guò)濾矩陣诅诱,實(shí)際上髓堪,對(duì)于單通道的圖像而言,1×1的過(guò)濾矩陣娘荡,意義不大,但是驶沼,對(duì)于多通道的圖像而言炮沐,1×1的過(guò)濾矩陣能夠有效減少圖像卷積之后的通道數(shù)量。

根據(jù)卷積和池化的基本知識(shí)回怜,隨著神經(jīng)網(wǎng)絡(luò)層數(shù)的增加大年,圖像的通道數(shù)量會(huì)逐漸增加,采用1×1的過(guò)濾矩陣卷積之后玉雾,可以有效減少圖像的通道數(shù)量翔试,一個(gè)簡(jiǎn)單的示例,如下所示:

假設(shè)有一個(gè)6×6×32的圖片复旬,使用1×1×32的過(guò)濾矩陣進(jìn)行卷積運(yùn)算垦缅,整個(gè)運(yùn)算過(guò)程將會(huì)遍歷36個(gè)單元格,并計(jì)算過(guò)濾矩陣所覆蓋區(qū)域的元素積之和驹碍,將其應(yīng)用到ReLu非線性函數(shù)壁涎,會(huì)得到一個(gè)輸出值。此計(jì)算過(guò)程中志秃,可能會(huì)用到多個(gè)1×1×32的過(guò)濾器怔球,那么,通過(guò)以上計(jì)算會(huì)得到一個(gè)6×6×過(guò)濾器數(shù)量的矩陣浮还。

Inception網(wǎng)絡(luò)

構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)時(shí)竟坛,有時(shí)會(huì)很難決定過(guò)濾器的大小,而Inception網(wǎng)絡(luò)的引入,卻能很好的解決這個(gè)問(wèn)題担汤。

Inception網(wǎng)絡(luò)的作用就是代替人工確定選擇卷積層的過(guò)濾器類型又官。如下圖所示,對(duì)于一個(gè)多通道圖像漫试,可以使用不同的過(guò)濾矩陣或者池化層六敬,得到不同的輸出,將這些輸出堆積起來(lái)驾荣。

有了如上圖所示的Inception塊外构,最終輸出為32+32+64+128=256,而Inception模塊的輸入為28×28×192播掷,其整個(gè)計(jì)算成本审编,以5×5的過(guò)濾矩陣為例,其乘法的計(jì)算次數(shù)為:28×28×32×5×5×192歧匈,整個(gè)計(jì)算次數(shù)超過(guò)了1.2億次垒酬。而如果使用如下所示的優(yōu)化計(jì)算方法,則可以有效減少計(jì)算量件炉。

如果利用1×1的過(guò)濾器勘究,將輸入矩陣的通道減少至16,則可以有效減少計(jì)算量斟冕,如下所示:

如上圖所示的價(jià)格中口糕,整個(gè)網(wǎng)絡(luò)的運(yùn)算次數(shù)為:28×28×192×16+28×28×32×5×5×16=1240萬(wàn),整個(gè)計(jì)算成本降低至原來(lái)的十分之一磕蛇。而景描,通過(guò)1×1×192過(guò)濾器卷積得到的這個(gè)網(wǎng)絡(luò)層被稱之為瓶頸層。

如上秀撇,所示超棺,可以給每一個(gè)非1×1的卷積層之前,加入一個(gè)1×1的瓶頸層呵燕,就可以構(gòu)建一個(gè)基本的inception模塊了棠绘,如下圖所示:


而一個(gè)inception網(wǎng)絡(luò)就是多個(gè)Inception模塊連接起來(lái),如下圖所示:


事實(shí)上虏等,以上網(wǎng)絡(luò)中弄唧,還存在一些分支,如編號(hào)1所示霍衫,這些分支就是全連接層候引,而全連接層之后就是一個(gè)softmax層用于預(yù)測(cè)。又如分支2所示敦跌,包含一些隱藏層(編號(hào)3)澄干,通過(guò)全連接層和softmax進(jìn)行預(yù)測(cè)逛揩。這些分支結(jié)構(gòu)能夠確保,即使是隱藏層和中間層也參與了特征計(jì)算麸俘,并且也能夠預(yù)測(cè)圖片的分類辩稽。這種做法能夠有效避免網(wǎng)絡(luò)過(guò)擬合。

數(shù)據(jù)增強(qiáng)

對(duì)于計(jì)算機(jī)視覺(jué)領(lǐng)域而言从媚,神經(jīng)網(wǎng)絡(luò)的訓(xùn)練可能需要大量的數(shù)據(jù)逞泄,但是當(dāng)數(shù)據(jù)量有限時(shí),可以通過(guò)數(shù)據(jù)增強(qiáng)來(lái)實(shí)現(xiàn)數(shù)據(jù)量的擴(kuò)充拜效,以提高系統(tǒng)的魯棒性喷众,具體的數(shù)據(jù)增強(qiáng)方法如下所示:

  • 鏡像翻轉(zhuǎn)
  • 隨機(jī)裁剪
  • 顏色轉(zhuǎn)換(RGB通道增加不同的失真值)

除了以上三種數(shù)據(jù)增強(qiáng)的方法外,更多的數(shù)據(jù)增強(qiáng)方法和實(shí)現(xiàn)可以參考圖像數(shù)據(jù)增強(qiáng)

數(shù)據(jù)增強(qiáng)可以利用計(jì)算機(jī)多線程實(shí)現(xiàn)紧憾,一個(gè)線程用來(lái)實(shí)現(xiàn)加載數(shù)據(jù)到千,實(shí)現(xiàn)數(shù)據(jù)增強(qiáng),其他線程可以訓(xùn)練這些數(shù)據(jù)以加快整體的運(yùn)算速度赴穗。

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末憔四,一起剝皮案震驚了整個(gè)濱河市,隨后出現(xiàn)的幾起案子般眉,更是在濱河造成了極大的恐慌,老刑警劉巖煤篙,帶你破解...
    沈念sama閱讀 211,817評(píng)論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件斟览,死亡現(xiàn)場(chǎng)離奇詭異,居然都是意外死亡辑奈,警方通過(guò)查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,329評(píng)論 3 385
  • 文/潘曉璐 我一進(jìn)店門已烤,熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)鸠窗,“玉大人,你說(shuō)我怎么就攤上這事胯究∩约疲” “怎么了?”我有些...
    開(kāi)封第一講書(shū)人閱讀 157,354評(píng)論 0 348
  • 文/不壞的土叔 我叫張陵裕循,是天一觀的道長(zhǎng)臣嚣。 經(jīng)常有香客問(wèn)我,道長(zhǎng)剥哑,這世上最難降的妖魔是什么硅则? 我笑而不...
    開(kāi)封第一講書(shū)人閱讀 56,498評(píng)論 1 284
  • 正文 為了忘掉前任,我火速辦了婚禮株婴,結(jié)果婚禮上怎虫,老公的妹妹穿的比我還像新娘。我一直安慰自己,他們只是感情好大审,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,600評(píng)論 6 386
  • 文/花漫 我一把揭開(kāi)白布蘸际。 她就那樣靜靜地躺著,像睡著了一般徒扶。 火紅的嫁衣襯著肌膚如雪粮彤。 梳的紋絲不亂的頭發(fā)上,一...
    開(kāi)封第一講書(shū)人閱讀 49,829評(píng)論 1 290
  • 那天姜骡,我揣著相機(jī)與錄音导坟,去河邊找鬼。 笑死溶浴,一個(gè)胖子當(dāng)著我的面吹牛乍迄,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播士败,決...
    沈念sama閱讀 38,979評(píng)論 3 408
  • 文/蒼蘭香墨 我猛地睜開(kāi)眼闯两,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼!你這毒婦竟也來(lái)了?” 一聲冷哼從身側(cè)響起贯莺,我...
    開(kāi)封第一講書(shū)人閱讀 37,722評(píng)論 0 266
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤肠阱,失蹤者是張志新(化名)和其女友劉穎,沒(méi)想到半個(gè)月后逊躁,有當(dāng)?shù)厝嗽跇?shù)林里發(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 44,189評(píng)論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡隅熙,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,519評(píng)論 2 327
  • 正文 我和宋清朗相戀三年稽煤,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片囚戚。...
    茶點(diǎn)故事閱讀 38,654評(píng)論 1 340
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡酵熙,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出驰坊,到底是詐尸還是另有隱情匾二,我是刑警寧澤,帶...
    沈念sama閱讀 34,329評(píng)論 4 330
  • 正文 年R本政府宣布拳芙,位于F島的核電站察藐,受9級(jí)特大地震影響,放射性物質(zhì)發(fā)生泄漏舟扎。R本人自食惡果不足惜分飞,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,940評(píng)論 3 313
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望浆竭。 院中可真熱鬧浸须,春花似錦惨寿、人聲如沸。這莊子的主人今日做“春日...
    開(kāi)封第一講書(shū)人閱讀 30,762評(píng)論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)。三九已至肌索,卻和暖如春蕉拢,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背诚亚。 一陣腳步聲響...
    開(kāi)封第一講書(shū)人閱讀 31,993評(píng)論 1 266
  • 我被黑心中介騙來(lái)泰國(guó)打工晕换, 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人站宗。 一個(gè)月前我還...
    沈念sama閱讀 46,382評(píng)論 2 360
  • 正文 我出身青樓闸准,卻偏偏與公主長(zhǎng)得像,于是被迫代替她去往敵國(guó)和親梢灭。 傳聞我的和親對(duì)象是個(gè)殘疾皇子夷家,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,543評(píng)論 2 349

推薦閱讀更多精彩內(nèi)容