从AlexNet(2012)开始

目录

博客:blog.shinelee.me | 博客园 | CSDN

写在前面

本文重点在于回顾深度神经网络在CV领域的First Blood——AlexNet,AlexNet是首个在大规模图像识别问题取得突破性进展的深度神经网络,相比基于SIFT+FVs、稀疏编码的传统方法,性能提升了10多个百分点(error rate 26.2% → 15.3%,ILSVRC-2012),并由此开启了深度神经网络血洗CV各领域的开端,如下图所示(SuperVision即AlexNet)。

截止本文时间2019年9月2日,AlexNet论文的引用量达45305,论文作者Alex Krizhevsky、Ilya Sutskever和“深度学习之父”Geoff Hinton。

网络结构

AlexNet的原始网络结构如下,可以参见caffe的网络定义bvlc_alexnet,pytorch等也给出了变种实现,见torchvision/models/alexnet.py

整个网络大体由5个卷积层和3个全连接层组成,受限于当时的计算资源,网络通过2块GTX580 3GB的GPU训练,上图可见,整个网络上下一分为二,各用1块GPU训练(在caffe中通过group层实现),每个GPU放一半的神经元,网络中第3个卷积层和3个全连接层跨GPU连接。与使用单个GPU和50%神经元的网络相比,这个双GPU方案的Top1和Top5错误率分别降低了1.7%和1.2%。

每层的配置如下,第一个卷积层的kernel size为11,stride为4:

创新点

为了获得最佳表现,论文中综合应用了很多技术,有些后来已成为通用的标准做法。

  • 使用ReLU作为激活函数,作为non-saturating非线性激活函数有效避免了梯度消失问题,同时与tanh(saturating非线性激活函数)相比,训练速度提升了数倍(CIFAR-10上训练达到25%错误率速度快了6倍)。
  • 多GPU训练,实际上相当于增加了网络的宽度,如上节所述,Top1和Top5错误率比单GPU网络分别降低了1.7%和1.2%。
  • 提出了LRN(Local Response Normalization)层,使用相邻
(n)

个特征图上同位置的值对当前值进行归一化,公式如下。LRN被认为没有太大效果,已不被后来者采用。

b_{x, y}^{i}=a_{x, y}^{i} /\left(k+\alpha \sum_{j=\max (0, i-n / 2)}^{\min (N-1, i+n / 2)}\left(a_{x, y}^{j}\right)^{2}\right)^{\beta}
  • 使用Overlapping Max-Pooling,如上节图中,Pooling层的kernel size
(z=3)

,stride

(s=2)

(z > s)

,与

(s=z=2)

相比,Top1和Top5错误率分别下降了0.4%和0.3%。

  • 通过Data Augmentation数据增广降低过拟合,提高预测准确度
    • 训练阶段,通过生成大量训练数据来降低过拟合,生成数据的方式有2种,
      • 第1种方式从
      (256times 256)

      图像中随机裁剪+左右翻转出

      (224times 224)

      的图像,将训练数据扩大了2048倍;

      • 第2种方式对每张训练图像RGB通道做数值扰动,扰动量通过对整个训练集的RGB像素进行PCA获得,扰动量为
      (left[mathbf{P}_{1}, mathbf{P}_{2}, mathbf{P}_{3}right]left[alpha_{1} lambda_{1}, alpha_{2} lambda_{2}, alpha_{3} lambda_{3}right]^{T})

      (mathbf{P}_{i})

      (lambda_{i})

      为RGB像素协方差矩阵的特征向量和特征值,

      (alpha_{i})

      为0均值0.1标准差的高斯随机值。

    • 预测阶段,从待预测
    (256times 256)

    图中上下左右中间crop+左右翻转得到10张

    (224times 224)

    的图像,逐一输入网,络对输出结果取平均,来提升预测阶段的准确率,相当于数据层面的集成学习

  • 对前2个全连接层使用Dropout技术,训练时每次随机让50%的神经元输出为0,以此来降低过拟合,预测时将权重乘以0.5。这样可以强迫网络学习到更鲁棒的特征,也可以从集成学习的视角理解,预测阶段相当于对随机到的所有模型求了个期望。
  • batchsize 128,SGD Momentum 0.9,weight decay 0.0005,initial learning rate 0.01 停滞时divide by 10,
\begin{aligned} v_{i+1} & :=0.9 \cdot v_{i}-0.0005 \cdot \epsilon \cdot w_{i}-\epsilon \cdot\left\langle\left.\frac{\partial L}{\partial w}\right|_{w_{i}}\right\rangle_{D_{i}} \\ w_{i+1} & :=w_{i}+v_{i+1} \end{aligned}

其他有意思的点

回顾AlexNet论文,发现论文中提及了很多有意思的点,有些仅仅是一笔带过,但是可能启发了后面大量的工作,翻回来看才发现“祖师爷”早有预兆。

  • finetune,在一个库上训练,在另一个库上finetune
  • 权重可视化,仅可视化第1个卷积层的96个卷积核权重,发现网络学到了频率方向性的特征,更有意思的是,GPU1上的48个卷积核是颜色无关的,GPU2上的是颜色相关的。
  • 匹配与检索,使用最后一个全连接层的输出作为特征,通过欧氏距离可计算图像间的特征相似度,可做匹配,提出可以通过auto-encoder进一步压缩获取到short binary code,可用于检索,如下图所示,检索与最左边一列特征最近的图像
  • 深度十分重要,增加深度可以进一步提升性能,当前性能只是受限于计算资源和训练时间(微笑)
  • 在ILSVRC 2012上做的报告展示了使用AlexNet做detection的结果,如下

不愧是开创性工作的paper,给这含金量跪了。

参考

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券