（下：补充——五个模型的理论基础）深度学习——图像分类篇章

目录

1.1 卷积神经网络基础

3.1 AlexNet网络结构详解与花分类数据集下载

4.1 VGG网络详解及感受野的计算

5.1 GoogLeNet网络详解

6.1 ResNet网络结构，BN以及迁移学习详解

总结（可以直接看总结）

---

1.1 卷积神经网络基础

视频讲解：
1.1 卷积神经网络基础_哔哩哔哩_bilibili

发展不是一帆风顺的

全连接层：

卷积层（）

目的：进行图像特征提取

特性：拥有局部感知机制，权值共享

扩展到多维

 特征总结：

1. 卷积核的channel与输入特征层的channek相同
2. 输出的特征矩阵channel与卷积核个数相同

sigmoid/Relu  两个激活函数  各有缺点：

Sigmoid：饱和时梯度值小，网络层数较深时易出现梯度消失
Relu：反向传播时出现非常大的梯度更新后导致权重分布中心小于零，导致该处导数始终为零，反向传播无法更新权重，即进入失活状态。

出现越界情况用padding处理（增补）

池化层（）

和卷积层类似 但是要更简单

目的：对特征图像进行稀疏处理，减少数据运算量

（补充）反向传播（后面跳过了）

说明：本节理论较多，会枯燥，尽管内容不需要完全掌握，但是要大致理解，留有印象

误差的计算：

softmax：让结果满足概率分布（即概率和为1）  （猫/狗）

sigmoid：（人类/男人）

误差的反向传播：

3.1 AlexNet网络结构详解与花分类数据集下载

视频讲解：
3.1 AlexNet网络结构详解与花分类数据集下载_哔哩哔哩_bilibili

AlexNet（2012冠军）

该网络的亮点在于:

• (1)首次利用 GPU进行网络加速训练。
• (2)使用了 ReLu 激活函数，而不是传统的 sigmoid 激活函数以及 Tanh 激活函数。
• (3)使用了 LRN 局部响应归一化。
• (4)在全连接层的前两层中使用了 Dropout随机失活神经元操作，以减少过拟合。

中间的图像很好的诠释了AlexNet的好处，减少了过拟合的现象

解决方法：使用Dropout的方式在网络正传播过程中随机失活一部分神经元

经卷积后的矩阵尺寸大小计算公式为:N=(W-F+2P)/S+1
输入图片大小 W*W
Filter大小F*F
步长 S
padding的像素数P

4.1 VGG网络详解及感受野的计算

视频讲解：
4.1 VGG网络详解及感受野的计算_哔哩哔哩_bilibili

网络结构：

网络亮点： 

• 通过堆叠多个3*3的卷积核来替代大尺度卷积核（减少所需参数 ）
• 通过堆善两个3x3的卷积核替代5x5的卷积核
• 通过堆叠三个3x3的卷积核替代7x7的卷积核。

为什么这么干？
效果相同的情况下，参数更少。

5.1 GoogLeNet网络详解

网络结构：

网络中的亮点:

• 引入了Inception结构(融合不同尺度的特征信息)
• 使用1x1的卷积核进行降维以及映射处理    减少参数/特征矩阵深度
• 添加两个辅助分类器帮助训练
• 丢弃全连接层，使用平均池化层(大大减少模型参数)

注意：AlexNet和VGG都只有一个输出层，GooLeNet有三个输出层

6.1 ResNet网络结构，BN以及迁移学习详解

视频讲解：
6.1 ResNet网络结构，BN以及迁移学习详解_哔哩哔哩_bilibili

网络结构：

网络中的亮点:

• 超深的网络结构(突破1000层)
• 提出residual模块  
• 使用Batch Normalization加速训练(丟奔dropout)

随着网络加深，梯度消失&&梯度爆炸现象越来越明显     BN等方式解决

Batch Normalization原理：
要让整个训练样本的数据集满足分布规律（均值为0方差为1）
退化问题，通过残差解决

迁移学习：
常见的迁移学习方式:

• 1.载入权重后训练所有参数
• 2.载入权重后只训练最后几层参数
• 3.载入权重后在原网络基础上再添加一层全连接层，仅训练最后一个全连接层

总结（可以直接看总结）：

综上呢，其实就是延续上一篇文章（上）基于机器学习的图像识别——遥感图像分类（LeNet-5；AlexNet；VGGNet；GoogLeNet；ResNet）-CSDN博客

对五种”神经网络模型“的进一步讲解，偏向于理论层面

但两篇文章整理的是不同博主的讲解视频，讲的都蛮好的，通过”对比学习“可以发现，二者间会有一部分共通之处——这些共同之处一定是基础/重点，当然我已经帮大家整理好了，请各位放心食用。