从AlexNet(2012)开始

• 2019 年 10 月 3 日
• 筆記

博客：blog.shinelee.me | 博客园 | CSDN

写在前面

本文重点在于回顾深度神经网络在CV领域的First Blood——AlexNet，AlexNet是首个在大规模图像识别问题取得突破性进展的深度神经网络，相比基于SIFT+FVs、稀疏编码的传统方法，性能提升了10多个百分点（error rate 26.2% → 15.3%，ILSVRC-2012），并由此开启了深度神经网络血洗CV各领域的开端，如下图所示（SuperVision即AlexNet）。

截止本文时间2019年9月2日，AlexNet论文的引用量达45305，论文作者Alex Krizhevsky、Ilya Sutskever和“深度学习之父”Geoff Hinton。

网络结构

AlexNet的原始网络结构如下，可以参见caffe的网络定义bvlc_alexnet，pytorch等也给出了变种实现，见torchvision/models/alexnet.py。

整个网络大体由5个卷积层和3个全连接层组成，受限于当时的计算资源，网络通过2块GTX580 3GB的GPU训练，上图可见，整个网络上下一分为二，各用1块GPU训练（在caffe中通过group层实现），每个GPU放一半的神经元，网络中第3个卷积层和3个全连接层跨GPU连接。与使用单个GPU和50%神经元的网络相比，这个双GPU方案的Top1和Top5错误率分别降低了1.7%和1.2%。

每层的配置如下，第一个卷积层的kernel size为11，stride为4：

创新点

为了获得最佳表现，论文中综合应用了很多技术，有些后来已成为通用的标准做法。

• 使用ReLU作为激活函数，作为non-saturating非线性激活函数有效避免了梯度消失问题，同时与tanh（saturating非线性激活函数）相比，训练速度提升了数倍（CIFAR-10上训练达到25%错误率速度快了6倍）。

• 多GPU训练，实际上相当于增加了网络的宽度，如上节所述，Top1和Top5错误率比单GPU网络分别降低了1.7%和1.2%。

• 提出了LRN（Local Response Normalization）层，使用相邻(n)个特征图上同位置的值对当前值进行归一化，公式如下。LRN被认为没有太大效果，已不被后来者采用。
  [ b_{x, y}^{i}=a_{x, y}^{i} /left(k+alpha sum_{j=max (0, i-n / 2)}^{min (N-1, i+n / 2)}left(a_{x, y}^{j}right)^{2}right)^{beta} ]

• 使用Overlapping Max-Pooling，如上节图中，Pooling层的kernel size (z=3)，stride (s=2)，(z > s)，与(s=z=2)相比，Top1和Top5错误率分别下降了0.4%和0.3%。

• 通过Data Augmentation数据增广降低过拟合，提高预测准确度

  • 训练阶段，通过生成大量训练数据来降低过拟合，生成数据的方式有2种，
    • 第1种方式从(256times 256)图像中随机裁剪+左右翻转出(224times 224)的图像，将训练数据扩大了2048倍；
    • 第2种方式对每张训练图像RGB通道做数值扰动，扰动量通过对整个训练集的RGB像素进行PCA获得，扰动量为(left[mathbf{P}_{1}, mathbf{P}_{2}, mathbf{P}_{3}right]left[alpha_{1} lambda_{1}, alpha_{2} lambda_{2}, alpha_{3} lambda_{3}right]^{T})，(mathbf{P}_{i})和 (lambda_{i})为RGB像素协方差矩阵的特征向量和特征值，(alpha_{i})为0均值0.1标准差的高斯随机值。
  • 预测阶段，从待预测(256times 256)图中上下左右中间crop+左右翻转得到10张(224times 224)的图像，逐一输入网，络对输出结果取平均，来提升预测阶段的准确率，相当于数据层面的集成学习。

• 对前2个全连接层使用Dropout技术，训练时每次随机让50%的神经元输出为0，以此来降低过拟合，预测时将权重乘以0.5。这样可以强迫网络学习到更鲁棒的特征，也可以从集成学习的视角理解，预测阶段相当于对随机到的所有模型求了个期望。

  

• batchsize 128，SGD Momentum 0.9，weight decay 0.0005，initial learning rate 0.01 停滞时divide by 10，

[ begin{aligned} v_{i+1} & :=0.9 cdot v_{i}-0.0005 cdot epsilon cdot w_{i}-epsilon cdotleftlangleleft.frac{partial L}{partial w}right|_{w_{i}}rightrangle_{D_{i}} \ w_{i+1} & :=w_{i}+v_{i+1} end{aligned} ]

其他有意思的点

回顾AlexNet论文，发现论文中提及了很多有意思的点，有些仅仅是一笔带过，但是可能启发了后面大量的工作，翻回来看才发现“祖师爷”早有预兆。

• finetune，在一个库上训练，在另一个库上finetune

  

• 权重可视化，仅可视化第1个卷积层的96个卷积核权重，发现网络学到了频率方向性的特征，更有意思的是，GPU1上的48个卷积核是颜色无关的，GPU2上的是颜色相关的。

• 匹配与检索，使用最后一个全连接层的输出作为特征，通过欧氏距离可计算图像间的特征相似度，可做匹配，提出可以通过auto-encoder进一步压缩获取到short binary code，可用于检索，如下图所示，检索与最左边一列特征最近的图像

  

• 深度十分重要，增加深度可以进一步提升性能，当前性能只是受限于计算资源和训练时间（微笑）

  

• 在ILSVRC 2012上做的报告展示了使用AlexNet做detection的结果，如下

  

不愧是开创性工作的paper，给这含金量跪了。

参考

• paper: ImageNet Classification with Deep Convolutional Neural Networks
• slides LSVRC 2012: ImageNet Classification with Deep Convolutional Neural Networks
• slides 2015: ImageNet Classification with Deep Convolutional Neural Networks
• cs231n_2017_lecture9
• Large Scale Visual Recognition Challenge 2012 (ILSVRC2012)