深度神經(jīng)網(wǎng)絡(luò)一覽

背景

AlexNet(ISVRC2012)

AlexNet有5個(gè)卷積層和3個(gè)全連接層


AlexNet結(jié)構(gòu)
  • 用Relu函數(shù)代替Sigmoid函數(shù)
Sigmoid

Relu

Gradient Vanishing

Sigmoid函數(shù)在深度網(wǎng)絡(luò)中常常會(huì)導(dǎo)致導(dǎo)數(shù)逐漸變?yōu)?,使得參數(shù)無法被更新,神經(jīng)網(wǎng)絡(luò)無法被優(yōu)化赊窥。原因在于兩點(diǎn):(1) 在上圖中容易看出,當(dāng)x較大或較小時(shí)寥袭,導(dǎo)數(shù)接近0,而后向傳遞的數(shù)學(xué)依據(jù)是微積分求導(dǎo)的鏈?zhǔn)椒▌t关霸,當(dāng)前層的導(dǎo)數(shù)需要之前各層導(dǎo)數(shù)的乘積传黄,幾個(gè)小數(shù)的相乘,結(jié)果會(huì)很接近0 (2) Sigmoid導(dǎo)數(shù)的最大值是0.25队寇,這意味著導(dǎo)數(shù)在每一層至少會(huì)被壓縮為原來的1/4尝江,通過兩層后被變?yōu)?/16,…英上,通過10層后為1/1048576。

Dropout

在前向傳導(dǎo)過程中啤覆,以一定的概率P使某個(gè)神經(jīng)元停止工作苍日。在同一網(wǎng)絡(luò)里模擬出更多的組合的子網(wǎng)絡(luò),再求模型平均窗声,從而防止過擬合相恃。


Dropout

Data Augmentation

通過數(shù)據(jù)增強(qiáng),也可以防止過擬合笨觅,提高魯棒性拦耐。

  • 顏色增強(qiáng)(包括圖像亮度、飽和度见剩、對(duì)比度)
  • 隨機(jī)剪裁
  • 旋轉(zhuǎn)杀糯、平移、翻轉(zhuǎn)苍苞、縮放變換
  • 噪聲(高斯噪聲固翰、椒鹽噪聲)

VGG16-19

  • 增加層數(shù)
    通過在現(xiàn)有網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上,不斷增加3*3卷積核羹呵,當(dāng)深度增加到16-19層時(shí)骂际,識(shí)別效果有較大提升。
  • 采用小的卷積核
    更少的訓(xùn)練參數(shù)

GoogleNet(Inception)

  • 通過采用不同大小的卷積核提取特征在進(jìn)行聯(lián)合冈欢。意味著不同大小的感受野歉铝,最后拼接意味著不同尺度特征的融合;
  • 不使用FC層
    使用Global Average Pooling取代最后的全連接層凑耻,因?yàn)槿B接層參數(shù)多且易過擬合太示。做法即移除全連接層柠贤,在最后一層(文中使用mlpconv)層,后面加一層Average Pooling層先匪。

ResNet-50种吸、101、152

退化問題(隨著模型深度增加呀非,學(xué)習(xí)能力增強(qiáng)坚俗,性能卻比淺的模型差。因?yàn)楫?dāng)模型變復(fù)雜時(shí)岸裙,SGD的優(yōu)化變得更加困難猖败,導(dǎo)致了模型達(dá)不到好的學(xué)習(xí)效果。)
*增加shortcut connection


Residual

這一想法源于圖像處理中的殘差向量編碼降允,通過一個(gè)reformulation恩闻,將一個(gè)問題分解成多個(gè)尺度直接的殘差問題,能夠很好的起到優(yōu)化訓(xùn)練的效果剧董。

DenseNet

DenseNet
Architecture
Result

why幢尚?結(jié)果說明一切。翅楼。

  • 省參數(shù)和計(jì)算量
    DenseNet 比其他網(wǎng)絡(luò)效率更高尉剩,其關(guān)鍵就在于網(wǎng)絡(luò)每層計(jì)算量的減少以及特征的重復(fù)利用。DenseNet 的每一層只需學(xué)習(xí)很少的特征毅臊,使得參數(shù)量和計(jì)算量顯著減少理茎。
  • 抗過擬合
    DenseNet 具有非常好的抗過擬合性能,尤其適合于訓(xùn)練數(shù)據(jù)相對(duì)匱乏的應(yīng)用管嬉。神經(jīng)網(wǎng)絡(luò)每一層提取的特征都相當(dāng)于對(duì)輸入數(shù)據(jù)的一個(gè)非線性變換皂林,而隨著深度的增加,變換的復(fù)雜度也逐漸增加(更多非線性函數(shù)的復(fù)合)蚯撩。相比于一般神經(jīng)網(wǎng)絡(luò)的分類器直接依賴于網(wǎng)絡(luò)最后一層(復(fù)雜度最高)的特征础倍,DenseNet 可以綜合利用淺層復(fù)雜度低的特征,因而更容易得到一個(gè)光滑的具有更好泛化性能的決策函數(shù)
最后編輯于
?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:七十年代末胎挎,一起剝皮案震驚了整個(gè)濱河市著隆,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌呀癣,老刑警劉巖美浦,帶你破解...
    沈念sama閱讀 218,204評(píng)論 6 506
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場(chǎng)離奇詭異项栏,居然都是意外死亡浦辨,警方通過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 93,091評(píng)論 3 395
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來流酬,“玉大人币厕,你說我怎么就攤上這事⊙刻冢” “怎么了旦装?”我有些...
    開封第一講書人閱讀 164,548評(píng)論 0 354
  • 文/不壞的土叔 我叫張陵,是天一觀的道長摊滔。 經(jīng)常有香客問我阴绢,道長,這世上最難降的妖魔是什么艰躺? 我笑而不...
    開封第一講書人閱讀 58,657評(píng)論 1 293
  • 正文 為了忘掉前任呻袭,我火速辦了婚禮,結(jié)果婚禮上腺兴,老公的妹妹穿的比我還像新娘左电。我一直安慰自己,他們只是感情好页响,可當(dāng)我...
    茶點(diǎn)故事閱讀 67,689評(píng)論 6 392
  • 文/花漫 我一把揭開白布篓足。 她就那樣靜靜地躺著,像睡著了一般闰蚕。 火紅的嫁衣襯著肌膚如雪纷纫。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 51,554評(píng)論 1 305
  • 那天陪腌,我揣著相機(jī)與錄音,去河邊找鬼烟瞧。 笑死诗鸭,一個(gè)胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的参滴。 我是一名探鬼主播强岸,決...
    沈念sama閱讀 40,302評(píng)論 3 418
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場(chǎng)噩夢(mèng)啊……” “哼砾赔!你這毒婦竟也來了蝌箍?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 39,216評(píng)論 0 276
  • 序言:老撾萬榮一對(duì)情侶失蹤暴心,失蹤者是張志新(化名)和其女友劉穎妓盲,沒想到半個(gè)月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體专普,經(jīng)...
    沈念sama閱讀 45,661評(píng)論 1 314
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡悯衬,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(diǎn)故事閱讀 37,851評(píng)論 3 336
  • 正文 我和宋清朗相戀三年,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了檀夹。 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筋粗。...
    茶點(diǎn)故事閱讀 39,977評(píng)論 1 348
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡策橘,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出娜亿,到底是詐尸還是另有隱情丽已,我是刑警寧澤,帶...
    沈念sama閱讀 35,697評(píng)論 5 347
  • 正文 年R本政府宣布买决,位于F島的核電站沛婴,受9級(jí)特大地震影響,放射性物質(zhì)發(fā)生泄漏策州。R本人自食惡果不足惜瘸味,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,306評(píng)論 3 330
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望够挂。 院中可真熱鬧旁仿,春花似錦、人聲如沸孽糖。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,898評(píng)論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽办悟。三九已至尘奏,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間病蛉,已是汗流浹背炫加。 一陣腳步聲響...
    開封第一講書人閱讀 33,019評(píng)論 1 270
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留铺然,地道東北人俗孝。 一個(gè)月前我還...
    沈念sama閱讀 48,138評(píng)論 3 370
  • 正文 我出身青樓,卻偏偏與公主長得像魄健,于是被迫代替她去往敵國和親赋铝。 傳聞我的和親對(duì)象是個(gè)殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 44,927評(píng)論 2 355

推薦閱讀更多精彩內(nèi)容