CS231n笔记7-ConvNets Typical Architecture与VGGNet

Posted 2022-12-01 LiemZuvon

ConvNets Typical Architecture与VGGNet

• ConvNets Typical Architecture与VGGNet
  • ConvNets Typical Architecture-卷积神经网络经典结构
    • 卷积部分
    • 全连接部分
    • 深度学习网络结构发展趋势
  • VGGNet分析
    • VGG的组成
    • VGG的训练细节
      • 结构细节
      • VGG训练方法以及参数设置细节
    • VGG的可能改进方式
  • 后记

ConvNets Typical Architecture-卷积神经网络经典结构

写到这里，小编已经大体覆盖了构建一个大型卷积神经网络所需要的知识点。下面是小编在上课是总结的卷积神经网络的结构。

读者是不是觉得上面的图的那些英文都似曾相识，是的，小编在之前的学习笔记中都有介绍，为了方便读者阅读，下面小编给出相应的链接

Conv与Pooling：http://blog.csdn.net/u012767526/article/details/51418288
Batch norm：http://blog.csdn.net/u012767526/article/details/51405701
FC与ReLU：http://blog.csdn.net/u012767526/article/details/51399596
Dropout：http://blog.csdn.net/u012767526/article/details/51407443
SOFTMAX/SVM：http://blog.csdn.net/u012767526/article/details/51396196

一个深度神经网络一般有以下两部分构成：

• 卷积部分
• 全连接部分
  
  

卷积部分

我们这里称Conv-Batch norm-ReLU为一个Conv Layer。一般这一部分是由大量的Conv Layer级联构成，其中掺杂如Pooling也Dropout这些层。一般大约5个Conv Layer之后会有一个Pooling层，然后Dropout层必须放在Pooling层之后，当然这两个层都是可选的。

全连接部分

全连接层的要求一般不高，而且现在的趋势是尽可能的去掉全连接层（ResNet和GoogLeNet里面都已经很难看到全连接层的身影了…）。全连接部分典型的结构是FC-Batch norm-ReLU-Dropout的组合，这种组合一般不会超过两个，然后再最后通过一层FC就算结果，再把结果传递给LOSS Function（这里根据需要可以有相应的选择，多数情况下是SOFTMAX）。

深度学习网络结构发展趋势

• 展度更小的过滤器（比如1*1， 3*3， 1*3， 3*1之类的）
• 更深的网络（AlexNet, ILSVRC 2012，8层->VGG， ILSVRC 2014， 19层->ResNet, ILSVRC 2015, 152层！）
• 摆脱Pooling和FC层，只保留Conv Layer
• 网络结构越来越复杂，比如ResNet和GoogLeNet引入的Inception结构，近期出现的RNN、LSTM等，以及他们的相互组合。

VGGNet分析

下面让我们一起来看看14年的深度学习的代表VGG，以及我们上面提到的结构是如果在VGG里面体现出来的。
首先，下面是来源自VGG论文里面的关于VGG结构的描述。

这里有两个表格，其中第一个表格是描述的是VGGNet的诞生过程。为了解决初始化（权重初始化）等问题，VGG采用的是一种Pre-training的方式，这种方式在经典的神经网络中经常见得到，就是先训练一部分小网络，然后再确保这部分网络稳定之后，再在这基础上逐渐加深。表1从左到右体现的就是这个过程，并且当网络处于D阶段的时候，效果是最优的，因此D阶段的网络也就是最后的VGGNet啦！

VGG的组成

由表一D可以看出，VGG也是由卷积和全连接部分组成，在卷积部分，VGG采用的是展度为3的过滤器，卷积步长为1，2*2并且步长为2的MaxPooling。之后将卷积部分的结果传到全连接部分，全连接部分则是有3个全连接层以及一个SOFTMAX层构成。VGG的结果是很符合我们的经典深度神经网络的结构的。

VGG的训练细节

结构细节

下面给出的是VGG的结构细节
CONV(X)-(Y)：由卷积层以及ReLU组合而成，也就是我们设的Conv Layer，这里并没有用到Batch norm（读者猜猜为什么？：）），X表示过滤器的展度，Y表示过滤器的数量，卷积过程步长为1。
MaxPooling：使用2*2的Pooling，步长为2。
FC-(X)：由全连接层以及ReLU组合而成，X代表输出的特征维数，在前两个FC层中，
Dropout：Dropout只在前两个全连接层后面出现。第三个FC-（X）不用Dropout。
SOFTMAX：误差评价函数。

下图给出了VGG的空间以及参数数量计算

VGG训练方法以及参数设置细节

权重更新策略：Mini-batch gradient descent with Momentum；Batch Size为256，Momentum参数为 0.9。
正则化：L2 norm, Dropout。L2 penalty设置为$5*10^-4$，Dropout参数为0.5。
学习率：初始设为$10^-2$，并在validation error到达瓶颈时将学习率除以10直到validation error不能再改进为止。（在训练中，学习率总共降过3次，迭代次数有370K，共 74次对全部数据的扫描）。
权重初始化：使用Pre-training的方式，每次初始化权重时使用正态分布，均值为0，方差为$10^-2$；Bias设为0。

VGG的可能改进方式？

这是小编自己捣鼓的，仅供参考哦！如有雷同，纯属巧合…

利用我们在上半部分提出的经典结构，我们可能对VGG做如下改进。

• 在卷积层和全连接层后面增加Batch norm。
• 减少Pooling的使用，减少FC的使用，在靠近SOFTMAX的Pooling使用MeanPooling（参考GoogLeNet）。
• 权重初始化时使用Xaiver/2。
• 除了3*3的过滤器，考虑3*1与1*3的过滤器组合。
• …脑洞无极限，继续加油！

希望最后自己能够实现出这种改进的VGG，不过可能么那么快咯！~

后记

呼，内容量真不少啊，深度学习还在不断地发展，学习也不能停止。后面小编会介绍RNN，LSTM等这些新的网络结构，以及它们在传统深度学习网络中的应用。大家一起加油吧！