CNN进展：AlexNet、VGGNet、ResNet 和 Inception

一、说明

对于初学者来说，神经网络进展的历程有无概念？该文综合叙述了深度神经网络的革命性突破，从AlexNet开始，然后深度VGG的改进，然后是残差网络ResNet和 Inception，如果能讲出各种特色改进点的和改进理由，那么该文的内容已经全掌握了。

二、探索 AlexNet：突破性的深度卷积网络

        AlexNet 代表了深度卷积网络的开创性应用之一，真正重塑了机器学习领域。2012 年，这一革命性模型在 ImageNet LSVRC-2012 挑战赛中以 84.7% 的准确率夺得冠军，远远超过了第二名的 73.8% 的准确率。

        AlexNet 的核心是其架构，包括五个卷积 (CONV) 层和三个全连接 (FC) 层。AlexNet 选择整流线性单元 (ReLU) 作为其激活函数，这一战略举措对其令人印象深刻的性能做出了重大贡献。这是网络内各个层的结构快照：

        AlexNet 架构（来源：oreilly.com）

        这是 AlexNet 的框图：

整个网络由大约 6200 万个可训练参数组成，这些参数协调工作以提供令人震惊的结果。

        输入和输出尺寸：

AlexNet 接收大小为 227x227x3 的输入，并以 1000x1 概率向量的形式返回输出，每个元素对应于一个特定的类。

        ReLU 革命：

在 AlexNet 出现之前，sigmoid 和 tanh 等激活函数是常态。然而，这些函数很容易受到梯度消失（VG）问题的影响，从而阻碍了训练过程。AlexNet 中引入 ReLU 激活函数避免了这个问题，正如原始论文所证明的那样，使用 ReLU 的网络的错误率比使用 tanh 非线性的相同网络快大约六倍。

尽管 ReLU 有许多优点，但由于其无界性质，可能会导致学习变量过大。为了解决这个问题，AlexNet 实施了本地响应标准化 (LRN)。LRN 促进激活的神经元与其周围对应神经元之间的平衡，从而增强网络的整体稳定性。

克服过度拟合：

AlexNet 的另一个值得注意的贡献是其对抗过度拟合的策略。AlexNet 采用 dropout 层，其中每个连接在训练期间有 50% 的机会被暂时“丢弃”或忽略。这种随机省略连接可以防止模型陷入过度拟合的陷阱，并帮助其避开不利的局部最小值。作为权衡，模型收敛所需的迭代次数可能会增加一倍，但模型的整体鲁棒性和准确性会显着提高。

三、VGGNet：深入探讨

        时代：

        2014 年是国际家庭农业和晶体学年，也是机器学习的里程碑时刻。它见证了机器人首次登陆彗星以及罗宾·威廉姆斯的不幸去世。然而，在深度学习领域，VGGNet 正是在这一年诞生的。

        目的：

        VGGNet 的出现是为了解决减少卷积层参数数量的需求，从而提高模型的效率和训练速度。

        该设计：

        VGGNet 存在多个版本，例如 VGG16、VGG19 等，根据网络总层数进行区分。以下是 VGG16 架构的说明性细分：

VGG16 框图（来源：neurohive.io）

        VGG16 拥有约 1.38 亿个参数。需要强调的一个关键方面是，所有卷积核的大小均为 3x3，最大池核的大小为 2x2，步幅为 2。

优势：

        真正的创新在于 3x3 卷积。让我们举个例子。如果我们有一个大小为 5x5x1 的输入层，使用内核大小为 5x5 且步幅为 1 的卷积层将得到 1x1 的输出特征图。然而，通过实现两个步幅为 1 的 3x3 卷积层可以获得相同的输出特征图。好处？5x5 卷积层滤波器需要训练 25 个变量。相比之下，两个内核大小为 3x3 的卷积层总共需要 3x3x2=18 个变量，减少了 28% 的参数。

        该技术可以进一步扩展。7x7 卷积层的效果可以通过实现三个 3x3 卷积层来实现，将可训练变量的数量减少 44.9%。其结果是更快的学习和更强的针对过度拟合的鲁棒性。

四、ResNet：跳跃的艺术

         问题：

        随着卷积神经网络变得更深，当反向传播到初始层时，导数几乎可以忽略不计。

        解决方案：

        ResNet 通过引入两种类型的“快捷连接”提供了一种巧妙的补救措施：身份快捷方式和投影快捷方式。

        架构：

        ResNet 拥有多种层数不同的架构，例如 ResNet50 和 ResNet101。由于解决了梯度消失问题的快捷连接，ResNet 模型可以具有更大的深度。

        这个概念：

        ResNet 的核心是残差块。网络不是学习 x → F(x) 的直接映射，而是学习 x → F(x)+G(x) 的残差映射。恒等连接存在于输入和输出维度相同的地方，而投影连接存在于这些维度不同的地方。

残差块（图片来源：原论文）

        投影和身份：

        当 F(x) 和 x 的尺寸不同时，将实现投影快捷方式。它调整输入 x 的维度以匹配输出 F(x) 的维度。另一方面，当F(x)和x的维度相同时，使用Identity捷径，这使得网络更容易学习。

五、Inception：广泛发展

        动机：

        Inception 与 VGGNet 诞生于同一时代，其动机是在图像分类任务中有效识别可变大小特征的需求。Inception 不是仅仅添加更多层（更深），而是通过在同一层中合并不同大小的内核来扩大范围。

        架构：

        Inception网络由多个Inception模块组成，每个模块包含四个并行操作：

• 1x1 转换层
• 3x3 转换层
• 5x5 转换层
• 最大池化

        策略：

        Inception扩展了网络空间，让训练相应地决定最有价值的特征和权重。通过允许不同的卷积捕获给定级别的各种特征，所有这些特征在输入到下一层之前都会被提取和连接。

六、CNN：比较快照

从 AlexNet、ResNet-152、VGGNet 和 Inception 的比较中得出了一些见解：

• 尽管 AlexNet 和 ResNet-152 都有大约 60M 参数，但它们的 top-5 准确率大约有 10% 的差异。然而，训练 ResNet-152 需要比 AlexNet 更多的计算量，从而导致训练时间和能耗增加。
• 与 ResNet-152 相比，VGGNet 具有更多的参数和浮点运算 (FLOP)，但精度也有所下降。因此，它需要更多的时间来训练，但性能却会下降。
• 训练 AlexNet 所需的时间与训练 Inception 大致相同，但 Inception 所需的内存减少了十倍，并且提供了更高的准确性（大约提高了 9%）。