使用深度卷积神经网络进行ImageNet图像分类

目录

1.引言

2.网络结构

2.1 小细节

 2.2 代码部分

3. 创新点

3.1 非线性激活函数ReLU（提速）

3.2 多GPU训练（提速）

3.3局部响应归一化（增强泛化能力，已不再使用）

3.4重叠池化（轻微防止过拟合/提高准确率，不再使用）

3.5 数据增强（防止过拟合）

3.6 dropout

4.参考

1.引言

    2012年被认为是深度学习复兴之始，当时来自多伦多大学的Hinton（深度学习三巨头之一）和他的学生Alex Krizhevsky提出了一个名叫“AlexNet”的神经网络结构，该结构在当年的ImageNet LSVRC-2012竞赛一举夺冠，并以此开启了深度学习的热潮。

2.网络结构

网络包含8个层：前5层为卷积层，后3层为全连接层，最后一个全连接层的输出被送到一个1000路的softmax分类器。

2.1 小细节

• 原论文中,AlexNet的输入图像尺寸是224x224x3，但是实际图像尺寸为227x227x3。
• 因为计算量太大，使用了两台GPU进行训练，并只在确定的层之间交互（注意看卷积核映射虚线：第2、第4和第5个卷积层的内核，仅连接到位于同一GPU上的前一层中的内核映射，第三个卷积层的内核连接到第二层的所有内核映射。）

 （最好跟着流程算一遍）

 2.2 代码部分

#01:定义网络结构:在__init__构造函数中申明各个层的定义，在forward中实现层之间的连接关系
class AlexNet(nn.Module):def __init__(self,num_classes):super().__init__()self.conv1=nn.Sequential(nn.Conv2d(in_channels=3, out_channels=96, kernel_size=11, stride=4, padding=0),nn.BatchNorm2d(96), #BN加在激活函数前面或后面nn.ReLU(inplace=True), #inplace=True将上层网络传递下来的tensor直接进行修改，来节省运算内寸nn.MaxPool2d(kernel_size=3, stride=2))self.conv2=nn.Sequential(nn.Conv2d(in_channels=96, out_channels=256, kernel_size=5, stride=1,padding=2), nn.BatchNorm2d(256),nn.BatchNorm2d(256)nn.ReLU(inplace=True),nn.MaxPool2d(3,2))self.conv3=nn.Sequential(nn.Conv2d(in_channels=256,out_channels=384,kernel_size=3,stride=1,padding=1),nn.BatchNorm2d(384),nn.ReLU(inplace=True))self.conv4=nn.Sequential(nn.Conv2d(in_channels=384,out_channels=384,kernel_size=3,stride=1,padding=1),nn.BatchNorm2d(384),nn.ReLU(inplace=True))self.conv5=nn.Sequential(nn.Conv2d(in_channels=384,out_channels=256,kernel_size=3,padding=1),nn.BatchNorm2d(256),nn.ReLU(inplace=True),nn.MaxPool2d(3,2))self.fc=nn.Sequential(nn.Linear(in_features=9216,out_features=4096),nn.ReLU(inplace=True),nn.Dropout(0.5),nn.Linear(in_features=4096, out_features=4096),nn.ReLU(inplace=True),nn.Dropout(0.5),nn.Linear(in_features=4096, out_features=num_classes),)def forward(self,x):x=self.conv1(x)x=self.conv2(x)x=self.conv3(x)x=self.conv4(x)x=self.conv5(x)x=x.view(x.size(0),-1) #x=torch.flatten(x,start_dim=1)x=self.fc(x)return x

3. 创新点

3.1 非线性激活函数ReLU（提速）

ReLU的收敛速度要快于sigmoid与tanh，因为后两者存在饱和区，在饱和区的梯度变化缓慢甚至出现梯度消失

3.2 多GPU训练（提速）

单个GPU的内存限制了网络的训练规模，采用多GPU协同训练，可以大大提高AlexNet的训练速度。

3.3局部响应归一化（增强泛化能力，已不再使用）

• 表示第片特征图在位置运用激活函数 ReLU 后的输出。n 是同一位置上临近的 feature map 的数目，N 是特征图的总数。
• 参数 k,n,α，β 都是超参数。k=2，n=5，α=10-4，β=0.75。
• k是为了防止分母为0

举一个例子：

i = 10, N = 96 时，第 i=10 个卷积核在位置（x,y）处的取值为 ，它的局部响应归一化过程如下：用 除以第 8、9、10、11、12 片特征图位置（x,y）处的取值平方求和。

也就是跨通道的一个 Normalization 操作 

      局部响应归一化（local response normalization，LRN）的思想来源于生物学中的“侧抑制”，是某个神经元受到刺激而产生兴奋时，再刺激相近的神经元，则后者所发生的兴奋对前者产生的抑制作用。也就是说，侧抑制是指相邻的感受器之间能够互相抑制的现象。采用LRN的目的是为了将数据分布调整到合理的范围内，便于计算处理，从而提高泛化能力。

3.4重叠池化（轻微防止过拟合/提高准确率，不再使用）

AlexNet 全部使用最大池化的方式，避免了平均池化所带来的模糊化的效果，并且步长 < 池化核的大小，这样一来池化层的输出之间会有重叠和覆盖，提升了特征的丰富性。论文采用参数stride=2，kernelsize=3

此前的 CNN 一直使用平均池化的操作。

3.5 数据增强（防止过拟合）

alexnet中采用两种数据增强的策略

• 训练时从256x256的原图中随机提取224x224的图片以及水平翻转，数据集扩大了2048倍

    即一张256x256的图像随机裁剪出224x224的图像有( 256 − 224 ) ∗ ( 256 − 224 ) 种可能，再做一次水平翻转则有( 256 − 224 ) ∗ ( 256 − 224 ) ∗ 2 = 2048 种可能

       在测试时，网络通过提取5个224*224的块（四个角的图像块和中心的图像块）和他们的水平映射（因此总计10个图像块）来做预测，并将网络Softmax层在10个块上作的预测进行平均。

• 改变训练集图片RGB通道的强度，在此之前需要对原始RGB图像进行主成分分析

 为RGB像素值的3x3协方差矩阵，是均值为0标准差为0.1的高斯扰动。个人推测应该是先对RGB图像resize成3x(256x256)，归一化后根据协方差公式得到3x3矩阵，再利用奇异值分解得到特征值λ和特征向量p

3.6 dropout

alexnet在前两层全连接层前使用了dropout，以0.5的概率使得每个隐藏层的神经元输出0，既不参与前向传播，也不参与反向传播。这种方法弱化了神经元之间的依赖性。 

4.参考：

1、【深度学习论文 01-1】AlexNet论文翻译 - 最菜程序员Sxx - 博客园

2、卷积神经网络超详细介绍_呆呆的猫的博客-CSDN博客_卷积神经网络

3、目标识别基础——alexnet模型（代码复现详解）_哔哩哔哩_bilibili

4、AlexNet 中的 LRN（Local Response Normalization） 是什么 - 知乎

5、AlexNet深度学习图像分类算法_哔哩哔哩_bilibili

6、AlexNet pytorch实现_明天一定早睡早起的博客-CSDN博客_pytorch实现alexnet