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：

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）

此時(shí)的輸入除了原先的輸入外，多了一個(gè)項(xiàng)锉罐，即由于 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：

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)的值帜讲，如果參數(shù)和參數(shù)等于0衅谷，其輸出將由公式（7）變成，假定使用ReLU激活函數(shù)似将，則有：

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)與具有相同的維度世落，由于ResNets使用了許多same卷積，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，使得和具有相同的維度洲押。而的維度可以通過(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。