本文建議閱讀時(shí)間 20 min

論文地址：

https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf

2012 年， AlexNet 橫空出世。這個(gè)模型的名字來源于論?第一作者的姓名 Alex Krizhevsky。AlexNet 使?了 8 層卷積神經(jīng)?絡(luò)，并以很?的優(yōu)勢(shì)贏得了 ImageNet 2012 圖像識(shí)別挑戰(zhàn)賽冠軍。

• top1: 37.5%

• top5: 17.0%

• 6 千萬參數(shù) 650000 個(gè)神經(jīng)元

細(xì)化的結(jié)構(gòu)圖，來自互聯(lián)網(wǎng)，侵刪

與 LeNet 相比較

第?，與相對(duì)較小的 LeNet 相?， AlexNet 包含 8 層變換，其中有 5 層卷積和 2 層全連接隱藏層，以及 1 個(gè)全連接輸出層。AlexNet 第?層中的卷積窗?形狀是 11×11。因?yàn)?ImageNet 中絕?多數(shù)圖像的?和寬均? MNIST 圖像 的?和寬? 10 倍以上， ImageNet 圖像的物體占?更多的像素，所以需要更?的卷積窗?來捕獲物體。第?層中的卷積窗?形狀減?到 5×5 ，之后全采? ?3×3。此外，第?、第?和第五個(gè)卷積層之后都使用了窗?形狀為 3×3 、步幅為 2 的最?池化層。?且， AlexNet 使用的卷積通道數(shù)也?于 LeNet 中的卷積通道數(shù)數(shù)?倍。

第?，AlexNet 將 sigmoid 激活函數(shù)改成了更加簡單的 ReLU 激活函數(shù)。???， ReLU 激活函數(shù)的計(jì)算更簡單，例如它并沒有 sigmoid 激活函數(shù)中的求冪運(yùn)算。另???，ReLU 激活函數(shù)在不同的參數(shù)初始化?法下使模型更容易訓(xùn)練。這是由于當(dāng) sigmoid 激活函數(shù)輸出極接近 0 或 1 時(shí)，這些區(qū)域的梯度幾乎為 0，從?造成反向傳播?法繼續(xù)更新部分模型參數(shù)；? ReLU 激活函數(shù)在正區(qū)間的梯度恒為 1。因此，若模型參數(shù)初始化不當(dāng)， sigmoid 函數(shù)可能在正區(qū)間得到幾乎為 0 的梯度，從?令模型?法得到有效訓(xùn)練。

Relu 比 Sigmoid 的效果好在哪里？
Sigmoid 的導(dǎo)數(shù)只有在 0 的附近時(shí)有較好的激活性，而在正負(fù)飽和區(qū)域的梯度趨向于 0, 從而產(chǎn)生梯度彌散的現(xiàn)象，而 relu 在大于 0 的部分梯度為常數(shù)，所以不會(huì)有梯度彌散現(xiàn)象。Relu 的導(dǎo)數(shù)計(jì)算的更快。Relu 在負(fù)半?yún)^(qū)的導(dǎo)數(shù)為 0, 所以神經(jīng)元激活值為負(fù)時(shí)，梯度為 0, 此神經(jīng)元不參與訓(xùn)練，具有稀疏性。

第三， AlexNet 通過丟棄法（dropout）來控制全連接層的模型復(fù)雜度。? LeNet 并沒有使用丟棄法。

第四，AlexNet 引?了?量的圖像增?，如翻轉(zhuǎn)、裁剪和顏?變化，從?進(jìn)?步擴(kuò)?數(shù)據(jù)集來緩解過擬合。

代碼實(shí)現(xiàn)

import?time import?torch from?torch?import?nn,?optim import?torchvisionclass?AlexNet(nn.Module):def?__init__(self):super(AlexNet,?self).__init__()self.conv?=?nn.Sequential(nn.Conv2d(1,?96,?11,?4),?#?in_channels,?out_channels,?kernel_size,?stride,?paddingnn.ReLU(),nn.MaxPool2d(3,?2),?#?kernel_size,?stride#?減小卷積窗口，使用填充為2來使得輸入與輸出的高和寬一致，且增大輸出通道數(shù)nn.Conv2d(96,?256,?5,?1,?2),nn.ReLU(),nn.MaxPool2d(3,?2),#?連續(xù)3個(gè)卷積層，且使用更小的卷積窗口。除了最后的卷積層外，進(jìn)一步增大了輸出通道數(shù)。#?前兩個(gè)卷積層后不使用池化層來減小輸入的高和寬nn.Conv2d(256,?384,?3,?1,?1),nn.ReLU(),nn.Conv2d(384,?384,?3,?1,?1),nn.ReLU(),nn.Conv2d(384,?256,?3,?1,?1),nn.ReLU(),nn.MaxPool2d(3,?2))#?這里全連接層的輸出個(gè)數(shù)比LeNet中的大數(shù)倍。使用丟棄層來緩解過擬合self.fc?=?nn.Sequential(nn.Linear(256*5*5,?4096),nn.ReLU(),nn.Dropout(0.5),nn.Linear(4096,?4096),nn.ReLU(),nn.Dropout(0.5),#?輸出層。由于這里使用Fashion-MNIST，所以用類別數(shù)為10，而非論文中的1000nn.Linear(4096,?10),)def?forward(self,?img):feature?=?self.conv(img)output?=?self.fc(feature.view(img.shape[0],?-1))return?output

模型特性

• SGD, 128 batch-size, momentum=0.9, weight decay=0.0005, 學(xué)習(xí)率 = 0.01

• 所有卷積層都使用 ReLU 作為非線性映射函數(shù)，使模型收斂速度更快

• 在多個(gè) GPU 上進(jìn)行模型的訓(xùn)練，不但可以提高模型的訓(xùn)練速度，還能提升數(shù)據(jù)的使用規(guī)模

• 使用 LRN 對(duì)局部的特征進(jìn)行歸一化，結(jié)果作為 ReLU 激活函數(shù)的輸入能有效降低錯(cuò)誤率

• 重疊最大池化（overlapping max pooling），即池化范圍 z 與步長 s 存在關(guān)系 z>s 避免平均池化（average pooling）的平均效應(yīng)

• 使用隨機(jī)丟棄技術(shù)（dropout）選擇性地忽略訓(xùn)練中的單個(gè)神經(jīng)元，避免模型的過擬合（也使用數(shù)據(jù)增強(qiáng)防止過擬合）

貢獻(xiàn) / 意義

• AlexNet 跟 LeNet 結(jié)構(gòu)類似，但使?了更多的卷積層和更?的參數(shù)空間來擬合?規(guī)模數(shù)據(jù)集 ImageNet。它是淺層神經(jīng)?絡(luò)和深度神經(jīng)?絡(luò)的分界線。

• 雖然看上去 AlexNet 的實(shí)現(xiàn)? LeNet 的實(shí)現(xiàn)也就多了??代碼而已，但這個(gè)觀念上的轉(zhuǎn)變和真正優(yōu)秀實(shí)驗(yàn)結(jié)果的產(chǎn)?令學(xué)術(shù)界付出了很多年。

備注：公眾號(hào)菜單包含了整理了一本AI小抄，非常適合在通勤路上用學(xué)習(xí)。

往期精彩回顧那些年做的學(xué)術(shù)公益-你不是一個(gè)人在戰(zhàn)斗適合初學(xué)者入門人工智能的路線及資料下載機(jī)器學(xué)習(xí)在線手冊(cè)深度學(xué)習(xí)在線手冊(cè)AI基礎(chǔ)下載（第一部分）備注：加入本站微信群或者qq群，請(qǐng)回復(fù)“加群”加入知識(shí)星球（4500+用戶，ID：92416895），請(qǐng)回復(fù)“知識(shí)星球”

喜歡文章，點(diǎn)個(gè)在看

總結(jié)

以上是生活随笔為你收集整理的卷积神经网络之 - Alexnet的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。