深度学习论文随记（一）---AlexNet模型解读

深度学习论文随记（一）---AlexNet模型解读

ImageNet  classification with deep convolutional neural networks

Author： A  Krizhevsky， I  Sutskever ， GE Hinton

Year：2012

1、导引

其实这篇论文按道理讲，并不是第一个把卷积神经网络应用到深度学习中的工作，往前其实有个LeNet，是深度学习三驾马车之一的Yann Lecun在1998年就设计出来了。

但是一般深度学习入门要看的第一篇论文，还是会推荐这篇，我个人认为，这篇论文的意义在于，它是使得Deep Learning这种机器学习的方法征服计算机视觉领域的开山之作。

2012年，深度学习三驾马车中的另一位 Geoffrey Hinton为了证明自己的研究工作是有用的，他和他的学生Alex Krizhevsky 在ILSVRC竞赛中出手，刷新了classification的记录，一战封神！！！所以，这篇文章所述的网络结构也就被称为AlexNet。至此之后，无数的学者投入到Deep Learning的研究中去。

2、AlexNet模型解读

这张图片本来上半部分就没有，论文中就是给的这个图。

然后之所以用的上下两半一样的结构，是因为他们当时用的GPU计算力有限，所以用了两块GPU：GTX 580。现在都是2017年了，你笔记本上的GPU估计都是GTX970了，所以下面讲的时候就当作是只用的一个GPU来分析。

AlexNet共有八层，有60M以上的参数量。

前五层为卷积层：convolutional layer；

后三层为全连接层，fully connected layer。

最后一个全连接层输出具有1000个输出的softmax。（这个不懂什么意思的参考机器学习理论中的softmax regression，就是一个多类的logistic regression）

大致的分层结构如下：

●第一层：

①输入图片为224x 224 x3, 表示长宽是224个像素，RGB彩色图通道为3通道，所以还要乘以3.（学界普遍认为论文中说的224不太合适，讲道理应该是227的大小才对，这也成为一个悬案），

②然后采用了96个11 x 11 x 3 的filter。在stride为4的设置下，对输入图像进行了卷积操作。所以经过这一卷积后的操作，输出就变成了55 x 55 x96 的data map。这三个数字的由来：（227-11）/ 4 + 1 = 55，96就是滤波器的个数。

③然后经过激活函数ReLu，再进行池化操作-pooling：滤波器的大小为3 x 3，步长stride为2. 所以池化后的输出为27x 27 x 96

（55-3）/ 2 + 1 =27.     96仍为原来的深度。

④LRN，局部响应归一化。后来大家都认为这个操作没有什么太大的作用，所以后面的网络几乎都没有这个操作，我也就不提了。

●其他第2、3、4、5层的计算过程类似。

●第六层：本层的输入为6 x 6 x 256，全连接层其实就是一个矩阵运算，它完成一个空间上的映射。所以把输入看成一个列向量X，维度为9216（6 x 6 x 256），也就是你可以把输入看成一个9216 x 1的矩阵。

然后和参数矩阵W相乘，参数矩阵W你此时设置为4096 x 9216

所以最后本全连接层的输出就是 矩阵相乘Y = W·X得 4096 x 1的矩阵

●第八层：第八层的输出就为1000 x 1的矩阵，即1000维度的一个列向量，对应softmax regression的1000个标签

3、一些创新点分析

①ReLU

RectifiedLinear Uints，修正线性单元即f(x)=max(0,x)。是一种非饱和非线性激活函数。相较于f(x)=tanh(x)和sigmoid函数：f(x)=(1+e^-x)^-1，这两种饱和非线性激活函数而言，SGD梯度下降的时间更快。

②Dropout

  它做的就是以0.5的概率将每个隐层神经元的输出设置为零。以这种方式”droppedout”的神经元既不参与前向传播，也不参与反向传播。所以每次提出一个输入，该神经网络就尝试一个不同的结构，但是所有这些结构之间共享权重。因为神经元不能依赖于其他特定神经元而存在，所以这种技术降低了神经元复杂的互适应关系。正因如此，要被迫学习更为鲁棒的特征，这些特征在结合其他神经元的一些不同随机子集时有用。前两个全连接层使用dropout。如果没有dropout，我们的网络会表现出大量的过拟合。dropout使收敛所需的迭代次数大致增加了一倍。

③数据扩充

一般的观点认为神经网络是靠足够多的数据训练出来的。增加海量的数据，在一定程度上能提升算法准确率。当数据有限时，可以通过已有的数据做一定的变换生成新的数据，进而扩充数据量。

本篇论文用到了三种数据变换方式：

A 平移变换（crop） 从256×256的图像中提取随机的224×224的小块：

四个边角和中心区域共5个

B反射变换（flip） 把A中的5张图进行水平反转

C光照和彩色变换

我们在遍及整个ImageNet训练集的RGB像素值集合中执行PCA。对于每个训练图像，我们成倍增加已有主成分，比例大小为对应特征值乘以一个从均值为0，标准差为0.1的高斯分布中提取的随机变量。这样一来，对于每个RGB图像像素

，我们增加下面这项：

其中与分别是RGB像素值的3×3协方差矩阵的第i个特征向量与特征值，是前面提到的随机变量。每个对于特定训练图像的全部像素只提取一次，直到那个图像再次被用于训练，在那时它被重新提取。这个方案大致抓住了自然图像的一个重要属性，即，光照强度与颜色是变化的，而对象识别是不变的。

④重叠池化

一个pooling层可以被认为是由间隔s像素的pooling单元网格组成，每个网格总结出一个z×z大小的邻近关系，都位于pooling单元的中心位置。若设s=z，我们得到传统的局部pooling，正如常用于CNN中的那样。若设s<z，则得到有重叠pool。整个网络结构中，s=2，z=3，即pool区域的大小为3*3，间隔为2，即相邻两个pool，会重叠一个像素，这种方法使top-1和top-5错误率分别减少0.4%和0.3%，与s=2，z=2相比，它们池化结果有相同的维度，并且重叠pool在训练过程中不容易产生过拟合。

⑤LRN局部响应归一化

后来加入到DL研究工作中的大佬们说这个LRN设计有点搞笑，而且用处其实不大，所以我直接就忽略。

4、图片预处理

①大小归一化

将所有图片都归一化为256x256大小，至于为什么直接不归一化到224(227)，请参考上文说的扩充数据集的操作。

②减去像素平均值

所有图片的每个像素值都减去所有训练集图片的平均值。