浅谈卷积神经网络的模型结构

关注“SIGAI公众号”，选择“星标”或“置顶”

原创技术文章，第一时间获取

小编推荐：

DeepAction七期飞跃计划还剩4个名额，联系小编，获取你的专属算法工程师学习计划（联系小编SIGAI_NO1）

SIGAI特约作者

vicFigure 上海交通大学

研究方向：计算机视觉、机器学习

20世纪末，卷积神经网络就已经在MNIST手写体数字识别任务上展现出了优势，但由于数据量和硬件性能的限制，始终没有在其他任务中发挥作用。随着硬件计算能力，存储能力的提升，卷积神经网络在21世纪取得了爆发性的进展。同时训练数据量也在成百倍甚至千倍的增长，更促进了卷积神经网络的进步。从LeNet5，到AlexNet，经过了20年的探索，而从AlexNet开始之后的短短几年，VGG，GoogLeNet，ResNet，DensNet等结构纷纷涌现，不断刷新卷积神经网络在各种标准数据集上的精度，同时也拓宽了卷积神经网络的应用范围：从分类任务，物体识别，图像分割这些基本任务，拓展到人脸识别，人体关键点检测，三维重建等实际的应用场景。今天笔者就来浅谈一下最近几年卷积神经网络的经典结构。

AlexNet

AlexNet是2012年ILSVRC分类任务比赛的冠军，首次证明了卷积神经网络在更加复杂的分类任务（相比于MNIST和Cifar数据集）上有着极大的优势。AlexNet的结构特征如下：

第一，AlexNet网络由有5层卷积层，和3层全联接层构成，最后一个全联接层得到各类别概率。第二，AlexNet使用ReLU作为激活层，代替tanh，作者经过实验，发现ReLU激活层的网络相对于tanh，在cifar10数据集上收敛速度更快。此后ReLU便成为了卷积神经网络标准的激活函数，在后面的结构中依然使用ReLU激活函数。第三，AlexNet使用LRN（Local Response Normalization）作为归一化函数，如式1.1所示。第四，AlexNet使用了3个max pooling层来做下采样，同时第一层卷积的卷积核大小设定为11*11，滑动步长为4，也有下采样的作用。第五，AlexNet采用Dropout层来减少过拟合问题。

式中

表示特征图中第i个通道，(x,y)位置的值，N表示当前特征图的通道数，k,n,

是预先定好的超参数，其中n表示利用相邻的n个通道来做归一化。在AlexNet 中作者取k=2,n=5,

。虽然式子看起来比较复杂，其本质就是特征图每个位置的值，仅利用其相邻通道对应位置处的值来做归一化，而不依赖同通道总相邻像素位置的值。在AlexNet中LRN接在ReLU激活层之后。（在BN层出现之后，BN层基本取代了LRN层的地位）

图1.1 AlexNet结构

总体来看，AlexNet结构是LeNet5的一个推广，在其基础上增加了更多的卷积层和全联接层通道，并通过多次下采样，使网络可以处理224*224的大尺度图片。AlexNet证明了卷积神经网络的能力，将卷积神经网络的研究再一次推向高潮。

VGG

VGG是2014年ILSVRC分类任务比赛的亚军，相比于AlexNet，VGG有着更复杂的网络结构，更多的网络参数和连接，其结构如图2.2所示，VGG的网络结构特点如下：

第一，VGG的第一个卷积层没有使用11*11或7*7这种大卷积核，作者经过分析，发现由3个3*3的卷积级联在一起，可以得到和7*7相同的感受野，而3个3*3卷积的参数几乎为1个7*7卷积参数的一半。第二，VGG中去除了LRN归一化层，作者经过实验（图2.2中A结构和A-LRN结构），发现LRN层并不能提高精度，反而增加了计算量，需要更多的计算存储单元。第三，VGG首先训练浅网络结构，然后利用训练好的浅层网络，初始化深层网络，网络深度逐步加深（图1.1中ABCDE的深度逐步增加），可以说VGG网络将模型初始化用到了极致。第四，在测试阶段，VGG最后的三层fc层均被替换成相同参数量的1*1卷积层，这样可以保证输入图片的尺度可以变化，不需要局限在224*224，最终输出的特征图直接做平均，即得到了最终的概率。

图2.1 VGG参数量

VGG模型的参数量接近AlexNet的3倍（其参数量如图2.1所示），大部分参数集中在第一个fc层，因为经过之前的特征提取网络，第一个fc层输入特征图尺度为7*7，所以第一个fc层的参数量为512*7*7*4096，占VGG19（E结构）总参数量的70%，这也是AlexNet参数量大的原因。与VGG同年的GoogLeNet则使用avg_pooling（Network in Network最先提出），先将7*7的特征图变为1*1，极大地减少了模型参数，后面的经典结构中也都普遍采用了avg_pooling的方法。

实际上，去除掉fc层的VGG网络有着很强的学习能力，而且参数量也下降到了可以接受的程度，因此Faster-RCNN等网络仍然采用VGG的卷积层结构作为基础网络骨架。

除了以上结构上的特点外，VGG作者在图片尺度、随机裁剪（图像预处理）方面进行了大量的实验，为后面卷积神经网络的工作提供了经验性的提示。笔者在这里就不在赘述，如果大家有兴趣，可以翻阅VGG原始论文。

图2.2 VGG网络结构

GoogLeNet

说完VGG，不得不谈起与VGG同年竞争的GoogLeNet，2014年的ILSVRC分类任务比赛可以说是竞争极其激烈的一年，VGG亚军，GoogLeNet荣获冠军

GoogLeNet的参数量仅为AlexNet的1/12，其分类精度却比AlexNet高很多。在ILSVRC分类任务中，GoogLeNet使用7个模型集成，每张图片做144个随机裁剪的方法，达到了比VGG更高的分类精度，但7个模型的参数量依然小于VGG。相比于VGG，GoogLeNet在网络结构上进行了大量的实验，最终确定的模型基本结构称为Inception V1，如图3.1所示（因为后续谷歌团队又在此基础上，提出了Inception V2，V3，以及Inception-Residual结构），最终Inception V1确定为图3.1（b）

图3.1 Inception V1结构

GoogLeNet团队首先抓住了卷积神经网络的痛点之一：参数多层数深的网络不容易训练，很可能造成参数冗余，而且精度的提升与参数的增加往往不成比例，于是作者考虑，能否将连接稀疏化，同时保留卷积和全联接层的张量数据结构（因为稀疏卷积的运算效率并不高）

GoogLeNet结构如图3.2所示，其特点如下：

第一，Inception结构有4个分支，包括1*1卷积，3*3卷积，5*5卷积，以及下采样分支，这种不同卷积核尺度的分支可以提供不同的感受野，最终各个分支的特征图级联在一起得到Inception结构的输出。而图3.1（b）中3*3，5*5分支中的1*1卷积则是为了压缩特征图的空间尺度，进一步减少参数量。

第二，Inception结构中每个卷积后都会经过ReLU激活。

第三，GoogLeNet在fc层之前，采用global average pooling的方法，将特征图空间尺度压缩为1*1，然后仅用1层fc结构，输出为各类别的概率。

第四，GoogLeNet同样适用dropout层，减少过拟合问题。

图3.2 GoogLeNet网络结构

进一步，（不知是不是收到了VGG的启发，笔者瞎猜），GoogLeNet团队将5*5的分支变成2个3*3卷积级联，减少了参数量，于是得到了InceptionV2结构，如图3.3所示。再进一步，如果将3*3卷积拆分成1*3和3*1两个卷积，又可以在保留原始感受野的基础上，减少参数量，如图3.4所示，然而经过实验，作者发现对于非对称的Inception结构，当输入特征图尺度在12～20之间，且n取7时（并非3），效果是最好的。

图3.3 Inception V2基本结构

图3.4 非对称Inception V2结构

同时，作者提出了4个网络设计原则：

第一，尽量避免瓶颈结构，channel剧烈减少，尤其是在浅层部分（然而ResNet用实验打破了这个原则）

第二，可以增加Inception的宽度（更多的特征图），有助于学习到更多更好的特征

第三，在深层部分，引入瓶颈结构，不会降低太多精度，同时有助于快速训练

第四，网络的宽度与深度需要平衡

基于上述4个原则，作者进一步提出了深层的Inception结构（实验发现输入特征图尺度约等于8时，效果最好），如图3.5所示。

于是在GoogLeNet的基础上，作者基于图3.3，3.4，3.5所示的三种Inception结构，搭建得到了新的网络，在增加少量计算量的基础上，进一步提升了GoogLeNet的精度。

图3.5 深层Inception结构

ResNet

ResNet是ILSVRC2015年分类任务的冠军，作者首先通过堆叠vgg的基本模块（3*3卷积和ReLU激活层）得到20层网络和56层网络在Cifar10和ImageNet上进行了训练，发现56层网络的精度远没有20层效果好，基于此，作者提出了shortcut连接，即在某层特征图加上之前层的特征图，如图4.1左侧所示，最终形成bottleNeck结构如图4.1右侧所示。

图4.1 bottleNeck结构

之所以叫bottleNeck，是因为首先用1*1卷积，将特征图通道数压缩到原先的1/4，然后过3*3的卷积，最后再用1*1卷积将特征图通道数还原成原来的大小（或者是原本通道数的2倍）。ResNet就可以根据图4.1中的结构进行堆叠，得到不同层数的网络，一些经典的ResNet结构如图4.2所示

此外，作者采用了BN归一化，采用“卷积-BN-ReLU”的基本卷积单元，对于bottleNeck输入特征图与输出特征图不变的模块，shortcut分支采用直连的方法，否则，作者在shortcut分支加入一层卷积层（卷积+BN），得到的输出再与另一个分支的输出特征图相加，再过ReLU激活

图4.2 ResNet结构

作者经过大量实验，证明了ResNet的结构可以完美解决之前“层数越深，效果越差”的问题。从某种意义上，ResNet出现后，卷积神经网络将“深度”变为了可能。ResNet提出之后，也有大量的论文来研究讨论为什么ResNet可以解决上述问题，而且也有论文从不同角度证明Shortcut的结构有很强的学习能力。

DenseNet

DenseNet进一步将shortcut结构发展到了极致，提出了DenseBlock的结构，在一个DenseBlock中，每个中间层的特征图输出都会连接到后面的层的特征图，而DenseNet与ResNet最大的不同之处就是：ResNet中两个分支采用加法的方式进行融合，而DenseNet中多个分支采用级联（在通道维度上拼接在一起）的方式融合。DenseBlock的结构如图5.1所示。

图5.1 DenseBlock

图中不同颜色表示不同中间层的输出特征图，最后的Transition Layer则是由BN+卷积层构成，其目的是为了对最后级联起来的特征图做信息交流和融合，同时控制DenseBlock的输出特征图数，整体DenseNet的网络结构如图5.2所示，DenseNet的参数量相比于ResNet进一步减少，但其精度更高。然而值得注意的一点是，虽然DenseNet的参数量很小，但其计算量依然比较大。

图5.2 DenseNet

总结

从2012年始，卷积神经网络的模型结构开始了飞速的发展，笔者仅仅谈到了几个经典的网络结构，但同样还有一些小而精巧的网络结构没有涉及，比如MobileNet，ShuffleNet等，还有一些根据特殊应用场景设计的网络结构，如Yolo等。此外，当前的研究者并不满足于用人工的方式探索有效的网络结构，NAS（网络结构搜索）问题也越来越成为研究的热点，相信未来会有更多高效的网络结构，而经典永远都是经典，即使长江后浪推前浪，其设计的精髓和实验依然值得后来人细细品味。

参考文献

[1] Krizhevsky A, Sutskever I, Hinton G E. Imagenet classification with deep convolutional neural networks[C]//Advances in neural information processing systems. 2012: 1097-1105.

[2] Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition[J]. arXiv preprint arXiv:1409.1556, 2014.

[3] Szegedy C, Liu W, Jia Y, et al. Going deeper with convolutions[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015: 1-9.

[4] Szegedy C, Vanhoucke V, Ioffe S, et al. Rethinking the inception architecture for computer vision[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2016: 2818-2826.

[5] He K, Zhang X, Ren S, et al. Deep residual learning for image recognition[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2016: 770-778.

[6] Huang G, Liu Z, Van Der Maaten L, et al. Densely connected convolutional networks[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 4700-4708.

本文为SIGAI原创