24-AlexNet

AlexNet

本节目录

• 1.历史
  • 1.1 2000 流行的机器学习方法——SVM，核方法
  • 1.2 2000 计算机视觉主要方法——几何学
  • 1.3 2010 计算机视觉的热点问题——特征工程
  • 1.4 硬件的发展奠定了深度学习的兴起
  • 1.5 ImageNet（2010）
• 2.AlexNet 架构
• 3.总结
• 4.QA

1.历史

1.1 2000 流行的机器学习方法——SVM，核方法

• 核方法替代了之前的神经网络网络方法，SVM 对于调参不敏感，现在也有一些应用

• 本质上是特征提取，具体的方法是选择核函数来计算，把特征映射到高纬空间，使得他们线性可分

• 经过核函数计算之后，原问题可以转化为凸优化问题，这是 2006 年左右的研究热点

• 核方法有很多漂亮的定理，有很好的数学解释性

• 2010 年左右，深度学习才兴起

1.2 2000 计算机视觉主要方法——几何学

• 首先还是对图片进行特征抽取
• 希望把计算机视觉问题描述成几何问题，建立（非）凸优化模型，可以得到很多漂亮的定理。
• 可以假设这是一个几何问题，假设这个假设被满足了，可以推出很好的效果

1.3 2010 计算机视觉的热点问题——特征工程

• 特征工程就是怎么抽取一张图片的特征，因为直接输入一张图片效果非常的差
• 特征描述子：SIFT,SURF

1.4 硬件的发展奠定了深度学习的兴起

• 数据的增长，硬件的计算能力奠定了人们对于方法的选择

1.5 ImageNet（2010）

• AlexNet 赢得了 2012 年 ImageNet 竞赛冠军

• 本质上是一个加强版的 LeNet，更深更大

• AlexNet 主要改进措施：

  • dropout（正则）
  • ReLu（梯度更大）
  • MaxPooling（取最大值，梯度相对增大）

• 影响：计算机视觉方法论的改变，从人工提取特征过渡到 CNN 学习特征

  

2.AlexNet 架构

• 网络代码

net = nn.Sequential(
这里，我们使用一个11*11的更大窗口来捕捉对象。
    # 同时，步幅为4，以减少输出的高度和宽度。
    # 另外，输出通道的数目远大于LeNet
    nn.Conv2d(1, 96, kernel_size=11, stride=4, padding=1), nn.ReLU(),
    nn.MaxPool2d(kernel_size=3, stride=2),
    # 减小卷积窗口，使用填充为2来使得输入与输出的高和宽一致，且增大输出通道数
    nn.Conv2d(96, 256, kernel_size=5, padding=2), nn.ReLU(),
    nn.MaxPool2d(kernel_size=3, stride=2),
    # 使用三个连续的卷积层和较小的卷积窗口。
    # 除了最后的卷积层，输出通道的数量进一步增加。
    # 在前两个卷积层之后，汇聚层不用于减少输入的高度和宽度
    nn.Conv2d(256, 384, kernel_size=3, padding=1), nn.ReLU(),
    nn.Conv2d(384, 384, kernel_size=3, padding=1), nn.ReLU(),
    nn.Conv2d(384, 256, kernel_size=3, padding=1), nn.ReLU(),
    nn.MaxPool2d(kernel_size=3, stride=2),
    nn.Flatten(),
    # 这里，全连接层的输出数量是LeNet中的好几倍。使用dropout层来减轻过拟合
    nn.Linear(6400, 4096), nn.ReLU(),
    nn.Dropout(p=0.5),
    nn.Linear(4096, 4096), nn.ReLU(),
    nn.Dropout(p=0.5),
    # 最后是输出层。由于这里使用Fashion-MNIST，所以用类别数为10，而非论文中的1000
    nn.Linear(4096, 10))

• 更多细节
  • 激活函数从 sigmoid 变成 Relu，减缓梯度消失
  • 隐藏全连接层后加入了丢弃层（2 个 4096 之后加入了 dropout）
  • 数据增强，将一张图片进行变化，选取多个位置、光照之类的。

• 复杂度对比
  • 参数个数增加，每次更新数据增加

3.总结

• AlexNet 是更大更深的 LeNet，10x 参数个数，260x 计算复杂度
• 新加入了 dropout，relu，maxpooling，数据增强
• 标志着新一轮神经网络热潮开始了

4.QA

• 问题大部分都在问如何炼丹，炼丹的理论，为啥炼丹的步骤要这样不哪有？
  • 老师说这个确实不好理解，只能从自己的角度去尝试解释
• 数据增强了，但是效果还不如之前的，为啥？
  • 太正常了，属于超参数没调好
• 为啥 LeNet 不属于深度卷积神经网络？
  • 为了包装现在的产品，更好卖（确实是这么回答的），这个我们研究者需要学习，好好宣传自己的产品
• 网络要求输入的 size 是固定的，实际使用的时候图片不一定是要求的 size，怎么处理？
  • 如果是大的图片，在保持长宽比的情况下，把短边压成输入的 size，然后在新的图片中随机抠出来几张图片（要求和网络输入一致）进行预测。效果上不会有太大的影响