深度卷积网络示例
最后更新于
最后更新于
上个笔记讲了比如卷积层、池化层以及全连接层这些组件。事实上，过去几年计算机视觉研究中的大量研究都集中在如何把这些基本构件组合起来，形成有效的卷积神经网络。实际上在计算机视觉任务中表现良好的神经网络框架往往也适用于其它任务，也许你的任务也不例外，完全可以借鉴别人的神经网络框架来解决自己的问题。这些建议包括：
研究别人的构建有效组件的案例。
通过Github下载一些神经网络开源的实现，不仅把代码下载下来，也把权重下载下来。
通过使用其他人预训练的权重，很可能得到很好的性能。
如果只有一个小的训练集，则只需要训练softmax层的权重，把前面这些层的权重都冻结。
如果有一个更大的训练集，应该冻结更少的层，然后训练后面的层。
如果有大量数据，应该做的就是用开源的网络和它的权重当作初始化，然后训练整个网络。
考虑使用数据增强。
这节介绍LeNet-5、AlexNet和VGGNet这三个经典网络。
这是LeNet-5，这个神经网络中还有一种模式至今仍然经常用到，就是一个或多个卷积层后面跟着一个池化层，然后又是若干个卷积层再接一个池化层，然后是全连接层，最后是输出，这种排列方式很常用。
第二种神经网络是AlexNet，实际上，这种神经网络与LeNet有很多相似之处，不过AlexNet要大得多。正如前面讲到的LeNet或LeNet-5大约有6万个参数，而AlexNet包含约6000万个参数。当用于训练图像和数据集时，AlexNet能够处理非常相似的基本构造模块，这些模块往往包含着大量的隐藏单元或数据，这一点AlexNet表现出色。AlexNet比LeNet表现更为出色的另一个原因是它使用了ReLu激活函数。
需要注意的是，一些常见的AlexNet示意图常常分为两层，这是由于历史上AlexNet由于不能塞进单独一个GPU的显存，不得不放在两个GPU上进行训练。（但是在理解模型结构的时候只需要看一层）如下图：
最后一个范例是VGG，也叫作VGG-16网络。数字16指在这个网络中包含16个卷积层和全连接层。这确实是个很大的网络，总共包含约1.38亿个参数，但VGG-16的结构并不复杂，这点非常吸引人，而且这种网络结构很规整，都是几个卷积层后面跟着可以压缩图像大小的池化层，池化层缩小图像的高度和宽度。同时，卷积层的过滤器数量变化存在一定的规律，在每一组卷积层进行过滤器翻倍操作，正是设计此种网络结构的另一个简单原则。这种相对一致的网络结构对研究者很有吸引力，而它的主要缺点是需要训练的特征数量非常巨大。
VGG使用的技巧之一是使用更小的卷积核，为了与大卷积核一致，需要变得更深，但总体来看，参数变少了。
例如，3层3x3的卷积核可以替代1层7x7的卷积核
非常非常深的神经网络是很难训练的，因为存在梯度消失和梯度爆炸问题。这节课我们学习跳跃连接（Skip connection），它可以从某一层网络层获取激活，然后迅速反馈给另外一层，甚至是神经网络的更深层。利用跳跃连接构建能够训练深度网络的残差网络（ResNet），有时深度能够超过100层。
\begin{eqnarray} \left\{ \begin{aligned} z^{\left\lbrack l + 1 \right\rbrack} = W^{\left\lbrack l + 1 \right\rbrack}a^{[l]} + b^{\left\lbrack l + 1 \right\rbrack} \\ a^{\left\lbrack l + 1 \right\rbrack} =g(z^{\left\lbrack l + 1 \right\rbrack})\\ z^{\left\lbrack l + 2 \right\rbrack} = W^{\left\lbrack l+2 \right\rbrack}a^{\left\lbrack l + 1 \right\rbrack} + b^{\left\lbrack l + 2 \right\rbrack}\\ a^{\left\lbrack l + 2 \right\rbrack} = g(z^{\left\lbrack l + 2 \right\rbrack}) \end{aligned} \right. \end{eqnarray}
把一个普通网络（Plain network）变成ResNet的方法是加上跳跃连接，如同下面这张图，每两层增加一个捷径，构成一个残差块，5个残差块连接在一起构成一个残差网络。
如果我们使用标准优化算法训练一个普通网络，比如说梯度下降法，没有加上残差，凭经验会发现随着网络深度的加深，训练错误会先减少，然后增多。（尽管理论上，随着网络深度的加深，应该训练得越来越好才对）
ResNets确实在训练深度网络方面非常有效，它确实有助于解决梯度消失和梯度爆炸问题，让我们在训练更深网络的同时，又能保证良好的性能。
一个图片识别的ResNet例子：
Google提出的神经网络，一共有V1-V4共4个不同的模型
使用了Inception模块
可以并行执行多个具有不同尺度的卷积运算或池化操作
将多个卷积核卷积的结果拼接成一个非常深的特征图
使用了大量的trick提高网络性能
Bottleneck（瓶颈）: 1*1的卷积核，借鉴NIN
使用全局平均池化GAP代替全连接
在v2中，采用Batch Normalization（批归一化）
在v3中，采用非对称卷积降低运算量
在v4中，结合了ResNet中的思想，发现Residual Connections貌似只能加快网络收敛速度，是更大的网络规模提高了精度
构建卷积层时，要决定过滤器的大小究竟是1×1，3×3还是5×5，或者要不要添加池化层。而Inception网络保留所有的过滤器和池化层输出，并把输出堆叠到一起。一个典型的Inception模块如下图。
一个Inception模组例子：
Inception层有一个问题，就是计算成本，保留所有输出增加了通道数，可以使用1×1卷积构建瓶颈层减少通道数，从而大大降低计算成本。
如上图，输入是一张6×6×32的图片，1×1卷积所实现的功能是遍历这36（6×6）个单元格，计算左图中32个数字和过滤器中32个数字的元素积之和（然后应用ReLU非线性函数）。
一般来说，如果过滤器会是多个，输出结果是6×6×过滤器数量。
使用较少的过滤器数量，使用1×1卷积可以把输入通道减少，降低了计算成本。有时候这被称为瓶颈层。只要合理构建瓶颈层，既可以显著缩小表示层规模，又不会降低网络性能，从而节省了计算。
举个计算的例子，对于卷积层的参数计算：
因为全连接层参数量巨大，特别是与最后一个卷积层相连接的全连接层。所以使用全局平均池化 Global Average Pooling 代替全连接。
准确率和复杂度比较：
top1acc：预测的label取最后概率向量里面最大的那一个作为预测结果，如果你的预测结果中概率最大的那个分类正确，则预测正确。否则预测错误。
top5acc：最后概率向量最大的前五名中，只要出现了正确概率即为预测正确。否则预测错误。
更激进的密集连接机制每个层都会接受其前面所有层作为其额外的输入
ResNet：元素级相加
DenseNet：channel级连接
神经网络损失函数可视化曲面：从VGG到DenseNet越来越光滑，算法更容易找到更好的（局部）最优点
引入了基数的概念：基数指变换的数量，即将网络划分成多少个子网络。将输入划分成多个低维嵌入（分组卷积），然后对每个低维嵌入使用相同的拓扑结构进行变换，最后将变换后的结果聚合在一起。
增加基数比增加网络的深度或宽度更有效！可能解释：分组卷积中，每个分组学的内容各不相同，有利于增加网络多样性。
ResNeXt每个Block中拓扑结构完全相同，GoogLeNet每个Block中的拓扑结构不同，因此GoogLeNet每个Block中的卷积核大小、数量等需要人为设置，对于新问题来说调参困难。
引入了注意力机制：显式的建模特征通道之间的相互依赖关系。通过学习的方式获取每个通道的权重（重要程度）。根据权重去提升有用的特征，并抑制对当前任务用处不大的特征，从而提升网络的表示能力
Squeeze用于编码全局信息，它使用全局平均池化来压缩特征图，输出一个C维向量，来表示特征通道响应的全局分布
Excitation用于为每个通道生成权重，从而建模特征通道之间的相关性
将输入的权重和原始特征图相乘，完成在通道维度对原始特征的重标定！
受皮质神经元根据不同的刺激可动态调节其自身的感受野启发！引入了动态选择机制：使得每一个神经元可以根据多尺度的输入信息来动态的调整其感受野的大小。
即使用不同大小的卷积核提取特征，再对多个分支的信息进行融合。
Split操作构建多路子分支，每个分支对应的卷积核大小不同，对应不同尺度的感受野
Fuse操作用于合并各路分支的信息，生成全局的互补信息表示
Select操作根据特征表示预测出注意力权重，并使用这个权重来聚合不同尺度的特征图
借鉴了ResNeXt和SK-Net的思想将网络划分成多个相同的拓扑分支，同时将输入划分成多份，将每一份并行输入到网络中，再经过Split Attention操作融合特征
Split-Attention操作首先将输入划分成多份。然后对输入进行全局平均池化操作，获得对每个通道编码后的全局上下文信息。再对每一份输入的全局上下文信息单独进行处理，获取每个通道的注意力权重。最后使用注意力权重和输入相乘，获得提升后的特征表示。
ResNet 之后，由于CNN已经优于人类指标，重点转移到高效网络，这对许多移动设备友好。
MobileNets：面向移动应用的高效卷积神经网络
思想：将标准卷积分解为深度卷积和 1x1 卷积，效率更高，精度损失小。
MobileNet、ShuffleNet 神经架构搜索现在可以自动化架构设计
Neural Architecture Search with Reinforcement Learning (NAS)：除了网络本身外，还存在一个“控制器”网络，学习设计良好网络架构，输出与网络设计相对应的字符串。
Learning Transferable Architectures for Scalable Image Recognition：将神经架构搜索 （NAS） 应用于像 ImageNet 这样的大型数据集成本高昂，可以设计一个可以灵活堆叠的积木（“单元格”）的搜索空间，使用 NAS 在较小的 CIFAR-10 数据集上找到最佳单元结构，然后将架构传输到 ImageNet
EfficientNet: Smart Compound Scaling：过扩展宽度、深度和分辨率来增加网络容量，同时平衡准确性和效率。在给定计算预算（目标内存和浮点数）的情况下，搜索一组最佳的复合缩放因子。使用智能启发式规则进行纵向扩展。
智能启发式搜索图例：
全卷积网络（Fully Convolutional Networks，FCN）是Jonathan Long等人于2015年在Fully Convolutional Networks for Semantic Segmentation一文中提出的用于图像语义分割的一种框架，是深度学习用于语义分割领域的开山之作。
FCN将传统CNN后面的全连接层换成了卷积层，这样网络的输出将是热力图而非类别；同时，为解决卷积和池化导致图像尺寸的变小，使用上采样方式对图像尺寸进行恢复。
由于网络结构像U型，所以叫Unet网络。
第一部分，特征提取（下采样），VGG类似。每经过一个池化层就一个尺度，包括原图尺度一共有5个尺度。
第二部分，上采样部分，每上采样一次，就和特征提取部分对应的通道数相同尺度融合，但是融合之前要将其crop。这里的融合是拼接。可以看到，输入是572x572的，但是输出变成了388x388，这说明经过网络以后，输出的结果和原图不是完全对应的。
图中， 蓝紫色箭头代表3x3的卷积操作，并且stride是1，padding策略是vaild，因此，每个该操作以后，featuremap的大小会减2。
红色箭头代表2x2的maxpooling操作，需要注意的是，此时的padding策略也是vaild，这就会导致如果pooling之前featuremap的大小是奇数，会损失一些信息 。所以要选取合适的输入大小，因为2*2的max-pooling算子适用于偶数像素点的图像长宽。
绿色箭头代表2x2的反卷积操作，操作会将featuremap的大小乘2。
灰色箭头表示复制和剪切操作，可以发现，在同一层左边的最后一层要比右边的第一层要大一些，这就导致了，想要利用浅层的feature，就要进行一些剪切。
输出的最后一层，使用了1x1的卷积层做了分类。最后输出了两层是前景和背景。
Unet存在的问题
第一个问题：既然输入和输出都是相同大小的图，为什么要折腾去降采样一下再上采样呢？
第二个问题：既然unet每一层抓取的特征都很重要，为什么非要降四次之后才开始上采样回去呢？
不同数据集的最优的深度是不一样的, 但是总不能把所有不同深度的U-Net都训练一遍（调整超参数），太耗时间了，于是提出unet++ 。
降采样的理论意义是，它可以增加对输入图像的一些小扰动的鲁棒性，比如图像平移，旋转等，减少过拟合的风险，降低运算量，增加感受野的大小。
上采样的最大的作用其实就是把抽象的特征再还原解码到原图的尺寸，最终得到分割结果。
对于特征提取阶段，浅层结构可以抓取图像的一些简单的特征，比如边界，颜色，而深层结构因为感受野大了，而且经过的卷积操作多了，能抓取到图像的一些抽象特征。
综合长连接和短连接的架构就是UNet++。UNet++的优势是可以抓取不同层次的特征，将它们通过特征叠加的方式整合，加入更浅的U-Net结构，使得融合时的特征图尺度差异更小。但同时也引进了很多参数，占用内存也变大。
回忆一下到的计算过程：
在残差网络中有一点变化，在到的计算过程更改如下：
不使用Bottleneck参数量：
使用Bottleneck参数量：
