计算机视觉中的深度学习8: 卷积神经网络的结构

Posted 2022-11-28 SuPhoebe

Slides：百度云 提取码: gs3n

今天这一讲，我们以ImageNet Classification Challenge中使用的CNN的发展来进行介绍。

AlexNet

在2012年以前，ImageNet Classification Challenge的获胜者都是人工进行特征提取的线性分类模型。在2012年，AlexNet成功登顶。

AlexNet的结构

蓝色部分是神经网络的结构，从这我们能够看得出来，这个神经网络的各项长宽大小都是没有明显规律的。这花费了研究人员很长时间进行调整。

黄色的部分是计算的资源

1. 内存占有
2. 训练参数的个数
3. 浮点计算的次数

仔细地观察一下变化的趋势

1. 内存都集中在前几个卷积层，因为卷积层是输入和输出都非常大，而且filter的个数越多，输出也越大
2. 因为全连接层的连接方式是类似笛卡尔乘积的，所以W的个数非常大，从而产生了更多的可训练参数
3. filter个数对计算次数影响很大，这因为是卷积，每一次卷积都会产生大量的计算。

ZFNet

这本质上的设计思路和AlexNet一模一样，但是这儿使用了更大的神经网络

1. Conv1：使用了 (7x7 步长 2)的filter，而AlexNet使用的是(11x11 步长 4)的filter
2. Conv3, 4, 5：使用了512, 1024, 512个filter，而AlexNet使用了384,384,256个filter。

一般来说，更大的网络会有更好的效果。因为你能处理更大的更多的数据了，也能从数据中提取和保留更多的信息。
缺点是，收敛慢，downsample慢。

VGG

最重要的一点，VGG已经不需要再用人工进行一点一点调试神经网络的结构了，他通过有规律的组合，达成了非同一般的效果，这样我们能够更快地扩展神经网络，让它变得更深更大。

VGG设计规则

1. 所有卷积层都是3x3 步长1 pad 1的结构
2. 所有最大池均为2x2 步长 2
3. 在池层之后，将通道的数据通过复制扩展为2倍

在VGG中，卷积层有5个阶段

1. Stage 1: conv-conv-pool
2. Stage 2: conv-conv-pool
3. Stage 3: conv-conv-pool
4. Stage 4: conv-conv-conv-[conv]-pool
5. Stage 5: conv-conv-conv-[conv]-pool (VGG-19 has 4 conv in stages 4 and 5)

卷积层设计

我们有两种选择

Option 1:

1. Conv(5x5, C -> C)
2. Params: 25C2
3. FLOPs: 25C2HW

Option 2:

1. Conv(3x3, C -> C), Conv(3x3, C -> C)
2. Params: 18C2
3. FLOPs: 18C2HW

两个3x3转换与单个5x5转换具有相同的接收域，也就说，一个相同大小的input，经过选择1和选择2，他们的输出大小是一样的。

但是选择2的优点在于

1. 参数较少且计算量较小，需要更少的计算资源
2. 两个卷积层的结合，使得非线性计算更多，也让特征之间的组合更多

池层设计

为什么要将通道复制一遍？
因为我们希望每个卷积层都需要有相同的计算量！

第一层的输入是Cx2Hx2W，输出则是Cx2Hx2W.
经过2x2 步长为2的max pooling之后，输出则变成了CxHxW
为了达成每个卷积层都需要有相同的计算量的目标，我们只需要将C×2。
第二层的输入就变成了2CxHxW。
如上图所示，则两个卷积层的浮点计算量是相同的。

AlexNet vs VGG-16

VGG是一个比AlexNet大得多的网络，这得益于GPU技术的快速发展。
在AlexNet时代，一个GPU的显存才3G，需要将AlexNet拆解成两部分放到两个GPU里面进行。

GoogLeNet

一个工业界和学术界结合的产品，google作为世界上最强的互联网公司，他们在这个网络上有着效率方面的许多创新：减少参数数量，内存使用量和计算量。

网络的结构如下，我们将在下面详细讲解每一个部分

Stem network

在神经网络最初的一部分


他通过非常激进的downsample，将输入迅速压缩。反观前几个神经网络，如VGG，最主要的计算都发生在神经网络的开端。

输入的大小从224降低为28，花费了

1. Memory: 7.5 MB
2. Params: 124K
3. MFLOP: 418（其实这个我没看明白它是怎么算出来的）

对比VGG-16，达到同样的大小，花费了

1. Memory: 42.9 MB (5.7x)
2. Params: 1.1M (8.9x)
3. MFLOP: 7485 (17.8x)

Inception module

1. 具有多个并行分支的本地单元
   1. 与VGG相比，google用不同的方式来避免设置超参数造成的人工损耗
   2. 他们把所有可能性的组合都在放在一个并行的层面上，由机器来自行组合
2. 类似的本地结构在整个网络中重复了很多次
3. 在计算代价很大的卷积层之前，使用1x1 "Bottleneck"卷积层来减小通道尺寸（我们将通过ResNet在下面更详细地讨论这个问题）

Global Average Pooling

最后没有非常庞大的全连接层！ 取而代之的是使用全局平均池来折叠维度的方式，最后也是使用一个线性层来产生类的分数。相比于VGG和前面其他的神经网络，大部分的训练参数都是在全连接层。

Auxiliary Classifiers

我们可以看到这是一个非常深的神经网络，在没有Batch Normalization之前，类似的神经网络非常难以训练。因为网络太深，gradient无法清晰传播到前面的网络之中。

用了一种非常hacky的方式，在网络中的多个中间点附加“辅助分类器”，这些中间点还会尝试对图像进行分类并接收损失，进行更加即时的反馈。

GoogLeNet的这项技术在Batch Norm出来后，就被放弃了。

Residual Networks

我们可以看到ResNet是一个非常非常深的神经网络，这也得益于Batch Norm的发展。但是让我们先来看看一个数据

在论文He et al, “Deep Residual Learning for Image Recognition”, CVPR 2016中，我们可以看到，更大更深的神经网络居然在测试集上面有着更糟糕的表现。

这与我们之前的猜想，更深的神经网络有着更好的表现是不符合的。

对于原因的初步猜想，我们会认为是更深层的神经网络overfitting了。但是我们看看他们在训练集上的表现

令人惊奇的是，我们发现更深的神经网络在训练集上的表现就不如浅层神经网络。那么实际上更深的神经网络是underfitting。

理论上，较深的模型可以模拟较浅的模型：从较浅的模型复制图层（输入），直接往深层的模型进行输入（绕过卷积层或者池层），设置额外的图层以进行identity。那实际上更深的模型在表现上至少不能低于浅层的模型。

假设：这是一个优化问题。

较深的模型更难优化，因为到达一定深度后，网络就很难再收敛了，尤其是不能学习identity函数来模拟较浅的模型；尽管用了batch norm，网络都难以让初始的信息更多地传递到深层。

Residual Block

解决方案：更改网络，以便让底层网络能够更加轻松学习带有额外层的identity函数！

就算将其中两个conv的权重全设置为0，那么对于输出，也能体现出X本身的作用。在BP的gradient上面，也能完美地体现X对两个conv的影响。

网络结构

1. residual network是许多residual blocks的堆砌。
2. 结合了VGG这样的常规设计：每个residual blocks都有两个3x3转换
3. 网络分为多个阶段：每个阶段的第一个块将分辨率减半（使用步长为2的卷积层），并使通道数增加一倍

Stem

在初始阶段就用类似GoogleNet的方式将输入4x地downsample

Global Average Pooling

在网络的最后也没有使用全连接层，而是和GoogleNet采用了同样的方式：用global average pooling和一个线性分类层。

网络扩充

两个版本的ResNet，后者将网络进行类似VGG-19的扩充，获得了更好的网络结果

Bottleneck Block

左边是基础的ResBlock，右边是结合了Bottleneck的ResBlock。
首先我们能确定的是，这样并不会降低网络的接收域。
那右边的有点在于

1. 更少的浮点数运算
2. 更多的卷积层，和更多的非线性计算，这样能产生更好地feature组合效果

Block Design

对于ResNet最重要的就是ResBlock的设计问题。
左边是原有的设计，将输入X结合到ReLu函数之后，但是其实这样并不能完整地学习到输入X，因为ReLu是一个非线性函数，输出是非负的。

将shortcut输入调换一下位置，从一个卷积层的输出，直接越过一段卷积块的计算，累积到输出。这样的好处是，能够真真切切地学习到identity。计算我们把中间的卷积层的Weight全部抹除为0，输入任然能够在这一个block之后体现自己的价值。

Model Ensembles

将Inception，Inception-Resnet, Resnet, Wide Resnet models进行组合

Squeeze-and-Excitation Networks

向每个ResBlock添加一个”Squeeze-and-excite”分支，以执行global池化，全连接层，然后再将结果累计回到特征图上。

相比于单纯的ResBlock，它获得了全局的内容。

Densely Connected Neural Networks

DenseBlock的思路是基于前面几个网络的，它将网络的输出，与另外的网络输入输出进行结合（即，连接），这样在前向传播的过程中，能够强化以前学习的特征，鼓励特征的重复利用，而不是将以前学过的特征丢弃。