深度学习中几种常用的模型

Posted 2020-10-28 WenboGeng

　　最近再从事深度学习方面的工作，感觉还有很多东西不是很了解，各种网络模型的结构的由来还不是很清晰，在我看来所有的网络都是一层层的卷积像搭积木一样打起来的，由于还没实际跑所以还没很深刻感受到几种网络类型的区别，在此我想梳理一下几种常见的网络结构，加深一下理解。

       本文转自此文https://www.cnblogs.com/houkai/p/6553221.html，此文条理清晰，总结较为到位。

　　目前常见的网络结构：AlexNet、ZF、GoogLeNet、VGG、ResNet等等都可谓曾一战成名，它们都具有自身的特性，它们都提出了创新点。     

LeNet

是由Yann LeCun完成的具有开拓性的卷积神经网络，是大量网络结构的起点。网络给出了卷积网络的基本特性：

1.局部感知。人对外界的认知是从局部到全局的，相邻局部的像素联系较为紧密。每个神经元没必要对全局图像进行感知，只需要对局部进行感知，然后更高层将局部的信息综合起来得到全局的信息。

2.多层卷积。层数越高，学到的特征越全局化。

3.参数共享。每个卷积都是一种提取特征的方式，大大降低了参数的数目。

4.多卷积核。提取多类特征，更为丰富。

5.池化。降低向量维度，并避免过拟合。

特性1自然引出了特性2，特性3自然引出了特性4。

网络用于mnist手写体识别任务，网络结构用 http://ethereon.github.io/netscope/#editor 查看，常见网络：http://ethereon.github.io/netscope/quickstart.html 

 

AlexNet

2012年，深度学习崛起的元年，Alex Krizhevsky 发表了Alexet，它是比LeNet更深更宽的版本，并以显著优势赢得了ImageNet竞赛。贡献有：

 1.使用RELU作为激活单元。

 2.使用Dropout选择性忽略单个神经元，避免过拟合。

 3.选择最大池化，避免平均池化的平均化效果。

 AlexNet是目前应用极为广泛的网络，结构讲解见：http://blog.csdn.net/sunbaigui/article/details/39938097。

 网络整体上给我们带来了三个结构模块：

 

 

1、单层卷积的结构：conv-relu-LRN-pool。前面的卷积步长大，快速降低featureMap的大小（较少后面的计算量），后面深层卷积保持featureMap大小不变。LRN的功能放在今天来看是无关痛痒的，并不是很强。

 2、多层卷积的结构，网络更深，特征更抽象。

 3、全连接的结构，drop避免过拟合。

 

ZFNet

由 Matthew D Zeiler和Rob Fergus于2013年在“Visualizing and Understanding Convolutional Networks”论文中提出，属于AlexNet网络的变体。论文具有重要意义，阐述了卷积网络为什么有效，ZF网络是他们顺带提出来的。ZF在faster rcnn等应用中做为特征提取模块被广泛应用，一般来讲比AlexNet略优。

主要的改动是：减少第一层卷积的size和stride（11->7、4->2），提取更多的底层特征，增加第二层卷积的步长stride(1->2)。从而取得到了和AlexNei基本相同的感知野，featureMap的大小相同，后面的卷积计算量也保持不变。

 

VGG

VGG-16又称为OxfordNet，是由牛津视觉几何组（Visual Geometry Group）开发的卷积神经网络结构。该网络赢得了ILSVR（ImageNet）2014的冠军。时至今日，VGG仍然被认为是一个杰出的视觉模型——尽管它的性能实际上已经被后来的Inception和ResNet超过了。

网络结构：http://ethereon.github.io/netscope/#/preset/vgg-16

我们就看D(VGG16)和E(VGG19)好了。因为前面的网络效果没有D和E的效果好，而且比起D和E来讲不够简洁。

VGG是把网络分为5组（模仿AlexNet的五层），然而它使用了3*3的过滤器，并把它们组合起来作为一个卷积序列进行处理。特征：

1.网络更深DCNN，channel数目更大。

2.采用多个3*3的卷积，模仿出更大的感受野的效果。这些思想也被用在了后续的网络架构中，如 Inception 与 ResNet。

GoogLeNet

Christian Szegedy开始追求减少深度神经网络的计算开销，并于2014年设计出 GoogLeNet——第一个 Inception 架构。

“Going Deeper with Convolutions”中google提出了Inception模块：

受NIN的启发，Inception的思路是减少每一层的特征过滤器的数目，从而减少运算量。用 1*1的卷积块在昂贵的并行模块之前减少特征的数量，比 AlexNet 与 VGG 的分类器的运算数量少得多。这种做法一般称为瓶颈层（Bottleneck）。

而且，尽管我们做了更好的运算，我们在此层也没有损失其通用性（generality）。事实证明瓶颈层在 ImageNet 这样的数据集上已经表现出了顶尖水平，而且它也被用于接下来介绍的 ResNet 这样的架构中。

它之所以成功是因为输入特征是相关联的，因此可通过将它们与 1×1 卷积适当结合来减少冗余。然后，在小数量的特征进行卷积之后，它们能在下一层被再次扩展成有意义的结合。

ResNet

2015 年 12 月又出现了新的变革，这和 Inception V3 出现的时间一样。ResNet 有着简单的思路：供给两个连续卷积层的输出，并分流（bypassing）输入进入下一层（论文：Deep Residual Learning for Image Recognition），在imagenet2015夺得冠军。

计算机视觉领域，特征随着网络加深而愈加抽象，而且深层网络也会带来梯度弥散/爆炸等问题。而且在实践中，深层网络（很深）的性能会劣于浅层网络，这反映了一个事实：非线性网络无法逼近恒等映射网络（y=x）。所以我们转而去学习恒等映射的扰动。

ResNet要学习的便是残差函数：,残差块的结构是:

这是第一次网络层数超过一百，甚至还能训练出 1000 层的网络。实际中，考虑计算的成本，对残差块做了计算优化，即将两个3x3的卷积层替换为1x1 + 3x3 + 1x1。

通过首先是由带有更小输出（通常是输入的 1/4）的 1×1 卷积较少特征的数量，然后使用一个 3×3 的层，再使用 1×1 的层处理更大量的特征。类似于 Inception 模块，这样做能保证计算量低，同时提供丰富的特征结合。