---

←上一篇↓↑下一篇→

2.1 為什么要進行實例探究？	回到目錄	2.3 殘差網(wǎng)絡(luò)

---

經(jīng)典網(wǎng)絡(luò) (Classic Networks)

這節(jié)課，我們來學習幾個經(jīng)典的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，分別是LeNet-5、AlexNet和VGGNet，開始吧。

首先看看LeNet-5的網(wǎng)絡(luò)結(jié)構(gòu)，假設(shè)你有一張32×32×1的圖片，LeNet-5可以識別圖中的手寫數(shù)字，比如像這樣手寫數(shù)字7。LeNet-5是針對灰度圖片訓練的，所以圖片的大小只有32×32×1。實際上LeNet-5的結(jié)構(gòu)和我們上周講的最后一個范例非常相似，使用6個5×5的過濾器，步幅為1。由于使用了6個過濾器，步幅為1，padding為0，輸出結(jié)果為28×28×6，圖像尺寸從32×32縮小到28×28。然后進行池化操作，在這篇論文寫成的那個年代，人們更喜歡使用平均池化，而現(xiàn)在我們可能用最大池化更多一些。在這個例子中，我們進行平均池化，過濾器的寬度為2，步幅為2，圖像的尺寸，高度和寬度都縮小了2倍，輸出結(jié)果是一個14×14×6的圖像。我覺得這張圖片應(yīng)該不是完全按照比例繪制的，如果嚴格按照比例繪制，新圖像的尺寸應(yīng)該剛好是原圖像的一半。

接下來是卷積層，我們用一組16個5×5的過濾器，新的輸出結(jié)果有16個通道。LeNet-5的論文是在1998年撰寫的，當時人們并不使用padding，或者總是使用valid卷積，這就是為什么每進行一次卷積，圖像的高度和寬度都會縮小，所以這個圖像從14到14縮小到了10×10。然后又是池化層，高度和寬度再縮小一半，輸出一個5×5×16的圖像。將所有數(shù)字相乘，乘積是400。

下一層是全連接層，在全連接層中，有400個節(jié)點，每個節(jié)點有120個神經(jīng)元，這里已經(jīng)有了一個全連接層。但有時還會從這400個節(jié)點中抽取一部分節(jié)點構(gòu)建另一個全連接層，就像這樣，有2個全連接層。

最后一步就是利用這84個特征得到最后的輸出，我們還可以在這里再加一個節(jié)點用來預測 $\hat{y}$ 的值， $\hat{y}$ 有10個可能的值，對應(yīng)識別0-9這10個數(shù)字。在現(xiàn)在的版本中則使用softmax函數(shù)輸出十種分類結(jié)果，而在當時，LeNet-5網(wǎng)絡(luò)在輸出層使用了另外一種，現(xiàn)在已經(jīng)很少用到的分類器。

相比現(xiàn)代版本，這里得到的神經(jīng)網(wǎng)絡(luò)會小一些，只有約6萬個參數(shù)。而現(xiàn)在，我們經(jīng)常看到含有一千萬到一億個參數(shù)的神經(jīng)網(wǎng)絡(luò)，比這大1000倍的神經(jīng)網(wǎng)絡(luò)也不在少數(shù)。

不管怎樣，如果我們從左往右看，隨著網(wǎng)絡(luò)越來越深，圖像的高度和寬度在縮小，從最初的32×32縮小到28×28，再到14×14、10×10，最后只有5×5。與此同時，隨著網(wǎng)絡(luò)層次的加深，通道數(shù)量一直在增加，從1增加到6個，再到16個。

這個神經(jīng)網(wǎng)絡(luò)中還有一種模式至今仍然經(jīng)常用到，就是一個或多個卷積層后面跟著一個池化層，然后又是若干個卷積層再接一個池化層，然后是全連接層，最后是輸出，這種排列方式很常用。

對于那些想嘗試閱讀論文的同學，我再補充幾點。接下來的部分主要針對那些打算閱讀經(jīng)典論文的同學，所以會更加深入。這些內(nèi)容你完全可以跳過，算是對神經(jīng)網(wǎng)絡(luò)歷史的一種回顧吧，聽不懂也不要緊。

讀到這篇經(jīng)典論文時，你會發(fā)現(xiàn)，過去，人們使用sigmod函數(shù)和tanh函數(shù)，而不是ReLu函數(shù)，這篇論文中使用的正是sigmod函數(shù)和tanh函數(shù)。這種網(wǎng)絡(luò)結(jié)構(gòu)的特別之處還在于，各網(wǎng)絡(luò)層之間是有關(guān)聯(lián)的，這在今天看來顯得很有趣。

比如說，你有一個 $n_H?n_W?n_c$ 的網(wǎng)絡(luò)，有 $n_c$ 個通道，使用尺寸為 $f?f?n_c$ 的過濾器，每個過濾器的通道數(shù)和它上一層的通道數(shù)相同。這是由于在當時，計算機的運行速度非常慢，為了減少計算量和參數(shù)，經(jīng)典的LeNet-5網(wǎng)絡(luò)使用了非常復雜的計算方式，每個過濾器都采用和輸入模塊一樣的通道數(shù)量。論文中提到的這些復雜細節(jié)，現(xiàn)在一般都不用了。

我認為當時所進行的最后一步其實到現(xiàn)在也還沒有真正完成，就是經(jīng)典的LeNet-5網(wǎng)絡(luò)在池化后進行了非線性函數(shù)處理，在這個例子中，池化層之后使用了sigmod函數(shù)。如果你真的去讀這篇論文，這會是最難理解的部分之一，我們會在后面的課程中講到。

下面要講的網(wǎng)絡(luò)結(jié)構(gòu)簡單一些，幻燈片的大部分類容來自于原文的第二段和第三段，原文的后幾段介紹了另外一種思路。文中提到的這種圖形變形網(wǎng)絡(luò)如今并沒有得到廣泛應(yīng)用，所以在讀這篇論文的時候，我建議精讀第二段，這段重點介紹了這種網(wǎng)絡(luò)結(jié)構(gòu)。泛讀第三段，這里面主要是一些有趣的實驗結(jié)果。

我要舉例說明的第二種神經(jīng)網(wǎng)絡(luò)是AlexNet，是以論文的第一作者Alex Krizhevsky的名字命名的，另外兩位合著者是ilya Sutskever和Geoffery Hinton。

AlexNet首先用一張227×227×3的圖片作為輸入，實際上原文中使用的圖像是224×224×3，但是如果你嘗試去推導一下，你會發(fā)現(xiàn)227×227這個尺寸更好一些。第一層我們使用96個11×11的過濾器，步幅為4，由于步幅是4，因此尺寸縮小到55×55，縮小了4倍左右。然后用一個3×3的過濾器構(gòu)建最大池化層， $f=3$ ，步幅為2，卷積層尺寸縮小為27×27×96。接著再執(zhí)行一個5×5的卷積，padding之后，輸出是27×27×276。然后再次進行最大池化，尺寸縮小到13×13。再執(zhí)行一次same卷積，相同的padding，得到的結(jié)果是13×13×384，384個過濾器。再做一次same卷積，就像這樣。再做一次同樣的操作，最后再進行一次最大池化，尺寸縮小到6×6×256。6×6×256等于9216，將其展開為9216個單元，然后是一些全連接層。最后使用softmax函數(shù)輸出識別的結(jié)果，看它究竟是1000個可能的對象中的哪一個。

實際上，這種神經(jīng)網(wǎng)絡(luò)與LeNet有很多相似之處，不過AlexNet要大得多。正如前面講到的LeNet或LeNet-5大約有6萬個參數(shù)，而AlexNet包含約6000萬個參數(shù)。當用于訓練圖像和數(shù)據(jù)集時，AlexNet能夠處理非常相似的基本構(gòu)造模塊，這些模塊往往包含著大量的隱藏單元或數(shù)據(jù)，這一點AlexNet表現(xiàn)出色。AlexNet比LeNet表現(xiàn)更為出色的另一個原因是它使用了ReLu激活函數(shù)。

同樣的，我還會講一些比較深奧的內(nèi)容，如果你并不打算閱讀論文，不聽也沒有關(guān)系。第一點，在寫這篇論文的時候，GPU的處理速度還比較慢，所以AlexNet采用了非常復雜的方法在兩個GPU上進行訓練。大致原理是，這些層分別拆分到兩個不同的GPU上，同時還專門有一個方法用于兩個GPU進行交流。

論文還提到，經(jīng)典的AlexNet結(jié)構(gòu)還有另一種類型的層，叫作“局部響應(yīng)歸一化層”（Local Response Normalization），即LRN層，這類層應(yīng)用得并不多，所以我并沒有專門講。局部響應(yīng)歸一層的基本思路是，假如這是網(wǎng)絡(luò)的一塊，比如是13×13×256，LRN要做的就是選取一個位置，比如說這樣一個位置，從這個位置穿過整個通道，能得到256個數(shù)字，并進行歸一化。進行局部響應(yīng)歸一化的動機是，對于這張13×13的圖像中的每個位置來說，我們可能并不需要太多的高激活神經(jīng)元。但是后來，很多研究者發(fā)現(xiàn)LRN起不到太大作用，這應(yīng)該是被我劃掉的內(nèi)容之一，因為并不重要，而且我們現(xiàn)在并不用LRN來訓練網(wǎng)絡(luò)。

如果你對深度學習的歷史感興趣的話，我認為在AlexNet之前，深度學習已經(jīng)在語音識別和其它幾個領(lǐng)域獲得了一些關(guān)注，但正是通過這篇論文，計算機視覺群體開始重視深度學習，并確信深度學習可以應(yīng)用于計算機視覺領(lǐng)域。此后，深度學習在計算機視覺及其它領(lǐng)域的影響力與日俱增。如果你并不打算閱讀這方面的論文，其實可以不用學習這節(jié)課。但如果你想讀懂一些相關(guān)的論文，這是比較好理解的一篇，學起來會容易一些。

AlexNet網(wǎng)絡(luò)結(jié)構(gòu)看起來相對復雜，包含大量超參數(shù)，這些數(shù)字（55×55×96、27×27×96、27×27×256……）都是Alex Krizhevsky及其合著者不得不給出的。

這節(jié)課要講的第三個，也是最后一個范例是VGG，也叫作VGG-16網(wǎng)絡(luò)。值得注意的一點是，VGG-16網(wǎng)絡(luò)沒有那么多超參數(shù)，這是一種只需要專注于構(gòu)建卷積層的簡單網(wǎng)絡(luò)。首先用3×3，步幅為1的過濾器構(gòu)建卷積層，padding參數(shù)為same卷積中的參數(shù)。然后用一個2×2，步幅為2的過濾器構(gòu)建最大池化層。因此VGG網(wǎng)絡(luò)的一大優(yōu)點是它確實簡化了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，下面我們具體講講這種網(wǎng)絡(luò)結(jié)構(gòu)。

假設(shè)要識別這個圖像，在最開始的兩層用64個3×3的過濾器對輸入圖像進行卷積，輸出結(jié)果是224×224×64，因為使用了same卷積，通道數(shù)量也一樣。VGG-16其實是一個很深的網(wǎng)絡(luò)，這里我并沒有把所有卷積層都畫出來。

假設(shè)這個小圖是我們的輸入圖像，尺寸是224×224×3，進行第一個卷積之后得到224×224×64的特征圖，接著還有一層224×224×64，得到這樣2個厚度為64的卷積層，意味著我們用64個過濾器進行了兩次卷積。正如我在前面提到的，這里采用的都是大小為3×3，步幅為1的過濾器，并且都是采用same卷積，所以我就不再把所有的層都畫出來了，只用一串數(shù)字代表這些網(wǎng)絡(luò)。

接下來創(chuàng)建一個池化層，池化層將輸入圖像進行壓縮，從224×224×64縮小到多少呢？沒錯，減少到112×112×64。然后又是若干個卷積層，使用129個過濾器，以及一些same卷積，我們看看輸出什么結(jié)果，112×112×128. 然后進行池化，可以推導出池化后的結(jié)果是這樣（56×56×128）。接著再用256個相同的過濾器進行三次卷積操作，然后再池化，然后再卷積三次，再池化。如此進行幾輪操作后，將最后得到的7×7×512的特征圖進行全連接操作，得到4096個單元，然后進行softmax激活，輸出從1000個對象中識別的結(jié)果。

順便說一下，VGG-16的這個數(shù)字16，就是指在這個網(wǎng)絡(luò)中包含16個卷積層和全連接層。確實是個很大的網(wǎng)絡(luò)，總共包含約1.38億個參數(shù)，即便以現(xiàn)在的標準來看都算是非常大的網(wǎng)絡(luò)。但VGG-16的結(jié)構(gòu)并不復雜，這點非常吸引人，而且這種網(wǎng)絡(luò)結(jié)構(gòu)很規(guī)整，都是幾個卷積層后面跟著可以壓縮圖像大小的池化層，池化層縮小圖像的高度和寬度。同時，卷積層的過濾器數(shù)量變化存在一定的規(guī)律，由64翻倍變成128，再到256和512。作者可能認為512已經(jīng)足夠大了，所以后面的層就不再翻倍了。無論如何，每一步都進行翻倍，或者說在每一組卷積層進行過濾器翻倍操作，正是設(shè)計此種網(wǎng)絡(luò)結(jié)構(gòu)的另一個簡單原則。這種相對一致的網(wǎng)絡(luò)結(jié)構(gòu)對研究者很有吸引力，而它的主要缺點是需要訓練的特征數(shù)量非常巨大。

有些文章還介紹了VGG-19網(wǎng)絡(luò)，它甚至比VGG-16還要大，如果你想了解更多細節(jié)，請參考幻燈片下方的注文，閱讀由Karen Simonyan和Andrew Zisserman撰寫的論文。由于VGG-16的表現(xiàn)幾乎和VGG-19不分高下，所以很多人還是會使用VGG-16。我最喜歡它的一點是，文中揭示了，隨著網(wǎng)絡(luò)的加深，圖像的高度和寬度都在以一定的規(guī)律不斷縮小，每次池化后剛好縮小一半，而通道數(shù)量在不斷增加，而且剛好也是在每組卷積操作后增加一倍。也就是說，圖像縮小的比例和通道數(shù)增加的比例是有規(guī)律的。從這個角度來看，這篇論文很吸引人。

以上就是三種經(jīng)典的網(wǎng)絡(luò)結(jié)構(gòu)，如果你對這些論文感興趣，我建議從介紹AlexNet的論文開始，然后就是VGG的論文，最后是LeNet的論文。雖然有些晦澀難懂，但對于了解這些網(wǎng)絡(luò)結(jié)構(gòu)很有幫助。

學過這些經(jīng)典的網(wǎng)絡(luò)之后，下節(jié)課我們會學習一些更先高級更強大的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，下節(jié)課見。

課程板書

---

←上一篇↓↑下一篇→

2.1 為什么要進行實例探究？	回到目錄	2.3 殘差網(wǎng)絡(luò)

---

總結(jié)

以上是生活随笔為你收集整理的2.2 经典网络-深度学习第四课《卷积神经网络》-Stanford吴恩达教授的全部內(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，歡迎將生活随笔推薦給好友。