TensorFlow從1到2 - 3 - 深度學(xué)習(xí)革命的開端:卷積神經(jīng)網(wǎng)絡(luò)

TensorFlow從0到N專題入口

關(guān)于全連接神經(jīng)網(wǎng)絡(luò)(Full Connected Neural Network侣姆,F(xiàn)C)的討論已經(jīng)說的不少了雪隧,本篇將要介紹的是丘损,從2006年至今的神經(jīng)網(wǎng)絡(luò)第三次浪潮中彭羹,取得巨大成功、處于最核心位置的技術(shù)——卷積神經(jīng)網(wǎng)絡(luò)岛啸,Convolutional Neural Network(CNN)钓觉。

視覺皮層,來源:https://lilianweng.github.io/lil-log/2017/06/21/an-overview-of-deep-learning.html

一戰(zhàn)成名

2012年AlexNet在ImageNet上一戰(zhàn)成名坚踩,點爆了深度學(xué)習(xí)革命荡灾,這是歷史性的時刻。其中的故事瞬铸,推薦依圖科技CEO朱瓏(Leo Zhu)的《深度學(xué)習(xí)三十年創(chuàng)新路》批幌,講的很精彩,下面的引用部分就是片段節(jié)選嗓节。

標(biāo)志性事件是荧缘,2012年底,Geoff Hinton的博士生Alex Krizhevsky拦宣、Ilya Sutskever(他們研究深度學(xué)習(xí)時間并不長)在圖片分類的競賽ImageNet上截粗,識別結(jié)果拿了第一名。其實類似的比賽每年很多鸵隧,但意義在于绸罗,Google團(tuán)隊也在這個數(shù)據(jù)集上做了測試(非公開的,Google沒有顯式參加學(xué)術(shù)界的“競賽”)豆瘫,用的也是深度學(xué)習(xí)珊蟀,但識別精度比Geoff Hinton的團(tuán)隊差了很多,這下工業(yè)界振奮了外驱。

ImageNet

如上圖所示育灸,2012年AlexNet的驚艷之處在于,它比上一年冠軍的錯誤率25.8%低了近10個百分點略步。正是這前所未有的進(jìn)步描扯,引領(lǐng)人們穿透迷霧,望見了未來趟薄。

但更有意思的是(很有啟發(fā)性并值得思考)绽诚,Alex Krizhevsky 和 Geoff Hinton的競賽用的正是 Yann Lecun 發(fā)明的卷積神經(jīng)網(wǎng),但結(jié)果剛出來時(實現(xiàn)細(xì)節(jié)還沒有公布)杭煎,Yann Lecun和他的NYU實驗室成員甚至沒法重復(fù)Geoff Hinton的結(jié)果恩够。自己發(fā)明的算法,使用結(jié)果不如另外一個組羡铲。這下炸了鍋蜂桶,Yann Lecun開了組會,反思的主題是“為什么過去兩年我們沒有得到這樣的成績” 也切。

黑馬AlexNet并不“新”扑媚,如上面節(jié)選所說腰湾,它其實脫胎于1998年即14年前就被Lecun提出的卷積神經(jīng)網(wǎng)絡(luò)LeNet-5,改動非常有限:

  • 采用ReLU而非S型神經(jīng)元疆股;
  • 網(wǎng)絡(luò)更深费坊;
  • 訓(xùn)練數(shù)據(jù)量更大;
  • 采用GPU訓(xùn)練旬痹;

前兩點與網(wǎng)絡(luò)架構(gòu)相關(guān)附井,雖然ReLU的應(yīng)用貢獻(xiàn)良多,但就整個算法框架來說它們都算不上有實質(zhì)性的改變两残。而后兩點或許才是更根本的永毅,得益于大數(shù)據(jù)摩爾定律,AlexNet獲得了可以用更多數(shù)據(jù)來訓(xùn)練網(wǎng)絡(luò)所需要的算力人弓。

而LeNet-5在當(dāng)時的數(shù)據(jù)與算力條件下沼死,顯然不如其他的機器學(xué)習(xí)算法(核方法、圖模型票从、SVM等)更有前景漫雕,冰封十余載才獲得了認(rèn)可。

神經(jīng)科學(xué)的啟示

就像20世紀(jì)40峰鄙、50年代,受神經(jīng)科學(xué)發(fā)現(xiàn)的啟示太雨,人類構(gòu)建了人工神經(jīng)元一樣吟榴,1959年Hubel和Wiesel對哺乳動物視覺皮層機理的發(fā)現(xiàn),讓人類再次受到造物主的饋贈囊扳,卷積神經(jīng)網(wǎng)絡(luò)就是最成功的應(yīng)用之一吩翻。

哈佛大學(xué)的神經(jīng)生理學(xué)博士Hubel和Wiesel觀察了貓大腦中的單個神經(jīng)元如何響屏幕上的圖像,他們發(fā)現(xiàn)處于視覺系統(tǒng)較前面區(qū)域的神經(jīng)元對特定的光模式反應(yīng)強烈锥咸,而對其他模式完全沒有反應(yīng)狭瞎,這個部分被稱為初級視覺皮層,Primary Visual Cortex搏予,也被稱為V1熊锭。他們憑借這個開創(chuàng)性的研究,在1981年獲得了諾貝爾生理學(xué)或醫(yī)學(xué)獎雪侥。

V1的發(fā)現(xiàn)開啟了對人腦視覺系統(tǒng)進(jìn)一步的認(rèn)知碗殷,如本篇最前面引用的那幅圖中所繪制的,當(dāng)眼睛查看外界對象時速缨,信息從視網(wǎng)膜流到V1锌妻,然后到V2(Secondary Visual Cortex),V4旬牲,之后是IT(Inferior Temporal Gyrus仿粹,顳下回)搁吓。哺乳動物的視覺系統(tǒng)是分層遞進(jìn)的,每一級都比前一級處理更高層次的概念:

  • V1:邊緣檢測吭历;
  • V2:提取簡單的視覺要素(方向堕仔、空間、頻率毒涧、顏色等)
  • V4:監(jiān)測物體的特征贮预;
  • TI:物體識別;

卷積神經(jīng)網(wǎng)絡(luò)就是根據(jù)V1的3個性質(zhì)設(shè)計的:

  • 空間映射:根據(jù)V1的空間映射特性契讲,卷積神經(jīng)網(wǎng)絡(luò)中的各層都是基于二維空間結(jié)構(gòu)的(末端的全連接層除外)仿吞;
  • 簡單細(xì)胞:V1中有許多簡單細(xì)胞(simple cell),它們具有局部感受野捡偏,卷積網(wǎng)絡(luò)中的卷積核據(jù)此設(shè)計唤冈;
  • 復(fù)雜細(xì)胞:V1中有許多復(fù)雜細(xì)胞(complex cell),用于響應(yīng)簡單細(xì)胞檢測的特征银伟,且對于微小偏移具有不變形你虹,這啟發(fā)了卷積網(wǎng)絡(luò)中的池化單元;

V1其后的視覺區(qū)域彤避,其實與V1具有相同的原理傅物,特征檢測與池化策略反復(fù)執(zhí)行。同樣琉预,卷積網(wǎng)絡(luò)架構(gòu)的設(shè)計董饰,也是卷積層和池化層重復(fù)疊加,形成深度層級圆米。具有開創(chuàng)性的現(xiàn)代卷積網(wǎng)絡(luò)LeNet-5卒暂,架構(gòu)如下圖所示:

LeNet-5

在深度學(xué)習(xí)之前,圖像識別面臨的最大挑戰(zhàn)就是特征工程娄帖,研究者需要根據(jù)自己的經(jīng)驗和洞察也祠、具體場景和領(lǐng)域知識,人為的進(jìn)行特征的設(shè)計和提取近速,之后再進(jìn)行分類的訓(xùn)練诈嘿。而卷積神經(jīng)網(wǎng)絡(luò)自帶特征提取能力,特征學(xué)習(xí)和分類訓(xùn)練一氣呵成数焊,使得網(wǎng)絡(luò)可以直接使用原始的圖像數(shù)據(jù)作為輸入永淌,輸出分類結(jié)果。這種端到端的圖像識別極大的簡化了算法設(shè)計的復(fù)雜度和工作量佩耳。

迂回前進(jìn)的歷史

卷積神經(jīng)網(wǎng)絡(luò)并不是一夜之間發(fā)明出來的遂蛀,從2012年AlexNet開始追溯的話,還需要更多歷史性時刻的支撐干厚,即使是最早的卷積神經(jīng)網(wǎng)絡(luò)出現(xiàn)李滴,也在Hubel和Wiesel實驗的二十年后了螃宙。盡管神經(jīng)科學(xué)給出了啟示,卻并沒有告訴我們該如何訓(xùn)練卷積網(wǎng)絡(luò):

  • 1980年所坯,日本科學(xué)家Fukushima構(gòu)建了卷積神經(jīng)網(wǎng)絡(luò)谆扎,但當(dāng)時反向傳播算法還未準(zhǔn)備好;
  • 1986年芹助,Hinton成功將反向傳播算法用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)堂湖;
  • 1989年,LeCun開始基于反向傳播算法訓(xùn)練二維卷積網(wǎng)絡(luò)状土;
  • 1998年无蜂,LeCun提出第一個正式的卷積神經(jīng)網(wǎng)絡(luò)LeNet-5;

歷史就是這樣迂回前進(jìn)的蒙谓,一開始是各個獨立斥季、隨機的小支流,隨著時間的推進(jìn)累驮,最終匯聚在一起產(chǎn)生革命性的時刻酣倾。

上一篇 2 消失的梯度
下一篇 4 拆解CNN架構(gòu)


共享協(xié)議:署名-非商業(yè)性使用-禁止演繹(CC BY-NC-ND 3.0 CN)
轉(zhuǎn)載請注明:作者黑猿大叔(簡書)

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市谤专,隨后出現(xiàn)的幾起案子躁锡,更是在濱河造成了極大的恐慌,老刑警劉巖置侍,帶你破解...
    沈念sama閱讀 223,002評論 6 519
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件稚铣,死亡現(xiàn)場離奇詭異,居然都是意外死亡墅垮,警方通過查閱死者的電腦和手機,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 95,357評論 3 400
  • 文/潘曉璐 我一進(jìn)店門耕漱,熙熙樓的掌柜王于貴愁眉苦臉地迎上來算色,“玉大人,你說我怎么就攤上這事螟够≡置危” “怎么了?”我有些...
    開封第一講書人閱讀 169,787評論 0 365
  • 文/不壞的土叔 我叫張陵妓笙,是天一觀的道長若河。 經(jīng)常有香客問我,道長寞宫,這世上最難降的妖魔是什么萧福? 我笑而不...
    開封第一講書人閱讀 60,237評論 1 300
  • 正文 為了忘掉前任,我火速辦了婚禮辈赋,結(jié)果婚禮上鲫忍,老公的妹妹穿的比我還像新娘膏燕。我一直安慰自己,他們只是感情好悟民,可當(dāng)我...
    茶點故事閱讀 69,237評論 6 398
  • 文/花漫 我一把揭開白布坝辫。 她就那樣靜靜地躺著,像睡著了一般射亏。 火紅的嫁衣襯著肌膚如雪近忙。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 52,821評論 1 314
  • 那天智润,我揣著相機與錄音及舍,去河邊找鬼。 笑死做鹰,一個胖子當(dāng)著我的面吹牛击纬,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播钾麸,決...
    沈念sama閱讀 41,236評論 3 424
  • 文/蒼蘭香墨 我猛地睜開眼更振,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了饭尝?” 一聲冷哼從身側(cè)響起肯腕,我...
    開封第一講書人閱讀 40,196評論 0 277
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎钥平,沒想到半個月后实撒,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 46,716評論 1 320
  • 正文 獨居荒郊野嶺守林人離奇死亡涉瘾,尸身上長有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...
    茶點故事閱讀 38,794評論 3 343
  • 正文 我和宋清朗相戀三年知态,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片立叛。...
    茶點故事閱讀 40,928評論 1 353
  • 序言:一個原本活蹦亂跳的男人離奇死亡负敏,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出秘蛇,到底是詐尸還是另有隱情其做,我是刑警寧澤,帶...
    沈念sama閱讀 36,583評論 5 351
  • 正文 年R本政府宣布赁还,位于F島的核電站妖泄,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏艘策。R本人自食惡果不足惜蹈胡,卻給世界環(huán)境...
    茶點故事閱讀 42,264評論 3 336
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧审残,春花似錦梭域、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,755評論 0 25
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至璧坟,卻和暖如春既穆,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背雀鹃。 一陣腳步聲響...
    開封第一講書人閱讀 33,869評論 1 274
  • 我被黑心中介騙來泰國打工幻工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人黎茎。 一個月前我還...
    沈念sama閱讀 49,378評論 3 379
  • 正文 我出身青樓囊颅,卻偏偏與公主長得像,于是被迫代替她去往敵國和親傅瞻。 傳聞我的和親對象是個殘疾皇子踢代,可洞房花燭夜當(dāng)晚...
    茶點故事閱讀 45,937評論 2 361

推薦閱讀更多精彩內(nèi)容