吴恩达深度学习笔记（deeplearning.ai）之卷积神经网络（CNN）（下）
作者：szx_spark
1. 经典网络
-
LeNet-5
-
AlexNet
-
VGG
-
Ng介绍了上述三个在计算机视觉中的经典网络。网络深度逐渐增加，训练的参数数量也骤增。AlexNet大约6000万参数，VGG大约上亿参数。
-
从中我们可以学习到:
- 随着网络深度增加，模型的效果能够提升。
- 另外，VGG网络虽然很深，但是其结构比较规整。每经过一次池化层（过滤器大小为2，步长为2），图像的长度和宽度折半；每经过一次卷积层，输出数据的channel数量加倍，即卷积层中过滤器（filter）的数量。
2. 残差网络（ResNet）
-
由于存在梯度消失与梯度爆炸的现象，很难训练非常深的网络，因此引入了 “skip connections ”的概念，它可以从网络中的某一层获取激活值，并将信息传递给更深一层的网络（将输入流合并，点加），残差块可以训练更深的神经网络。
-
残差网络的结构如下：
-
更加直观的理解是:
- 残差网络可以尽量避免梯度爆炸或消失的现象；
- 我认为级联相当于对网络加了双层保险，类似于物理中电路的并联，两个输入流只要有一个work，仍能推动网络进行正常的训练。
-
看完上文的描述，可能有人会问，当两个输入流维度不同怎么进行“点加”操作？为了解决上述问题，Ng在课上提到引入一个权重矩阵\(W_s\)，课堂笔记如下图所示：
-
该矩阵可以作为网络的参数进行训练；也可以是一个固定矩阵，对 “skip connections ”的数据进行zero padding，补齐到相同维度。之后将两个相同维度的数据进行”点加“操作。
3. \(1\times 1\)卷积网络
-
该图对卷积核大小为1的CNN的解释是， 对输入的channel方向上的某一切片的所有数据与过滤器(\(1\times 1\times 32\))进行点乘再相加的操作，相当于对channel维度上的数据乘以不同的权重。
-
\(1\times 1\)的卷积从根本上可以理解为一个全连接网络，将数据的第三个维度，即channel大小的维度映射为 #filter（过滤器的数量）大小的维度。这种\(1\times 1\)网络也被称之为Network in Network。
-
应用\(1\times 1\)卷积将 \(28\times 28\times 192\) 维度的数据，压缩为\(28\times 28\times 32\)维度。这里只是压缩了第三个维度，而池化操作则对前两个维度进行了压缩。具体说明如图所示。
4. Inception
- 当设计卷积网络时，你需要决定过滤器的大小是\(1\times 1\)还是\(3\times 3\)，要不要添加池化层等等。而Inception网络的作用就是代替人工来确定卷积层的过滤器类型，是否需要池化层。
Inception 网络的思想如图所示：
- 基本思想是Inception网络可以让网络自己学习他需要什么样的参数：过滤器大小、是否需要池化层。
- 你可以对网络添加这些参数的所有可能值。 比如图中1、3、5的数值。图中网络分别经过3个不同过滤器大小的卷积、1个池化操作，之后将4个输出流进行合并，作为Inception网络的输出。
但是，Inception网络会带来一个问题——计算成本大大提升。下面我们先对上图\(5\times 5\)卷积的计算成本进行计算：
- 图中卷积操作采用了same卷积——使用padding，让卷积不改变图片数据的长和宽（输入数据的前两个维度）大小。该卷积使用了32个过滤器，且过滤器大小为\(5\times 5\times 192\)，这样卷积的最终输出是\(28\times 28\times 32\)。经过计算，该卷积的计算成本约为1.2亿（乘法次数）。
为了减少计算成本，采用Section 3所讲的\(1\times 1\)卷积，计算过程如下图所示：
- 图中的\(1\times 1\)维卷积也称为bottleneck layer。由此可见，改进后的网络，计算成本由1.2亿，减少至1.24千万。
总的来说，当我们不知道该设计多大的卷积核大小时，Inception网络是很好的选择。经过实验证明，只要合理构建bottleneck layer，减少计算成本的同时，不会降低网络的性能。
5. Inception 网络具体实现
上图介绍了 Inception 模块的实现细节，输入数据（\(28\times 28\times 192\)）分别经过四个处理过程，分别是：
- 64个\(1\times 1\)过滤器（严格来讲，应该是\(1\times 1\times 192\)）。
- 96个\(1\times 1\)过滤器，128个\(3\times 3\)过滤器。
- 16个\(1\times 1\)过滤器，32个\(5\times 5\)过滤器。
- 为了不改变模型的前两个维度大小，这里使用same pooling，过滤器大小为\(3\times 3\)。池化后数据的维度不发生改变，仍然为\(28\times 28\times 192\)，为了避免最终合并的输出大部分被pooling输出填满，又添加了32个\(1\times 1\)过滤器，将channel维度从192压缩至32。
该Inception 模块四个输出分别为\(28\times 28\times 64\)、\(28\times 28\times 128\)、\(28\times 28\times 32\)、\(28\times 28\times 32\)。合并后输出为\(28\times 28\times 256\)。
原论文的模型结构如下所示：
- 该结构看起来很复杂，其实使用很多重复的Inception模块，关于该模块，我们已经进行了非常详细的介绍。
- 原论文中 Inception 网络的一个细节是，他在模型中添加了几个隐藏层、softmax分支。它确保了网络的中间单元也参与了特征计算，并起到了一种调整的效果，能防止网络发生过拟合。
- 另外，在我看来，从某些程度上讲，这样也可以防止梯度消失现象的发生。
感兴趣的同学可以自行阅读发表在CVPR2015上的原始论文Going Deeper with Convolutions。
在这之后又衍生出Inception V2、V3、V4等网络结构，也有与之前提到的skip connections相结合的版本，模型的精度得到了提升。
想了解更多可以参考如下链接：
https://www.zhihu.com/question/50370954/answer/138938524
https://zhuanlan.zhihu.com/p/30756181
