本文介紹了訓練分類網(wǎng)絡的各個階段可以用來提升性能的Trick，也就是俗稱的調(diào)參術。結(jié)果頂級調(diào)參術的調(diào)教，ResNet- 50的top-1驗證精度在ImageNet上從75.3%提高到79.29%。這個結(jié)果比直接設計全新的網(wǎng)絡效果都要好。

1.baseline

現(xiàn)有的深度學習分類網(wǎng)絡，其主要整體框架如下圖所示：首先對數(shù)據(jù)進行預處理，并利用小批量隨機梯度下降的訓練模板，在每次迭代中，通過隨機抽取batch大小的預處理后圖像計算梯度并更新網(wǎng)絡參數(shù)，并經(jīng)過K個epoch之后停止迭代。

1.預處理階段

訓練階段： - 對于每幅圖像，將其解碼成32位浮點原始像素值[0,255]。 - 對圖像進行隨機裁剪，裁剪后的長寬比范圍為[3/ 4,4 /3]和面積大小范圍為[8%，100%]的矩形區(qū)域，然后將裁剪后的區(qū)域調(diào)整為224 * 224的正方形圖像，分類網(wǎng)絡多用正方形輸入是為了使得網(wǎng)絡能夠?qū)δ繕吮壤哂懈鼜姷姆夯芰Α?- 利用0.5的概率進行隨機翻轉(zhuǎn)。 - 在色調(diào)，飽和度和亮度三個方面進行均勻增強，比例可以從[0.6,1.4]均勻獲取。 - 為輸入圖像加入正太分布的白噪聲，用于提升分類網(wǎng)絡的魯棒性。 - 將RGB通道歸一化，分別減去123.68、116.779、103.939，再除以58.393、57.12、57.375。

測試驗證階段： 將每個圖像的短邊調(diào)整為256像素，同時保持其高寬比。接下來，在中心裁剪出224×224的區(qū)域，并對類似于訓練的RGB通道進行歸一化處理。且不執(zhí)行任何隨機擴展。

權(quán)值初始化：

卷積層和全連接層：Xavier算法進行初始化，所有的偏置初始化為0。對于BN層，伽馬參數(shù)都初始化為1，β參數(shù)初始化為0。

3.訓練階段

利用大batch進行模型的訓練，會增加模型的并行性且降低通信成本，在訓練過程中，煉丹師的直觀感受更多的是大batch訓練的網(wǎng)絡會更加的穩(wěn)定，主要原因是batch越大整個隨機梯度的方差就越小，噪聲越小，因為batch越大越能表征樣本空間。因此若是你使用大batch就可以按比例的增加學習率。然而有很多論文證明直接增大batch會導致訓練的收斂變慢，并且最終網(wǎng)絡的性能也會下降，table4中的第一行實驗結(jié)果也驗證了這一點。為了提升大batch的訓練性能，提出了以下三個訓練trick。

LR warmup

若你的訓練并沒有預訓練權(quán)重，而是使用隨機初始化權(quán)重的方式，那么在訓練的開始階段，由于初始化權(quán)重的隨機性若直接使用過大的學習率可能導致訓練前期的震蕩，因此我們可以使用warmup的方式，直白來說就是剛開始不要太劇烈，讓學習率在初始的N個epoch中通過預熱的方式緩慢上升到預先設定的初始值。

Zero γ BN層的可學習參數(shù)初始化。BN層的兩個科學系參數(shù)γ和β。最終經(jīng)過BN層的輸出會在歸一化之后通過γ*x+β的方式重新學習到原始分布。而在初始化這兩個參數(shù)時，通常將γ初始化為1，β初始化為0。而如下圖所示是Resnet中常見的一個跳躍連接的子模塊，該子模塊的輸出分別為block(x)+x，分別來自于輸入的跳躍和block的輸出。而通常情況下每個block的最后一層都是BN層，用于歸一化。在這個過程中，我們將該BN層的γ參數(shù)也初始化為0，此時整個跳躍鏈接在初始階段就變成了恒等連接，這將使得網(wǎng)絡的初始深度變淺，收斂更快更穩(wěn)定。

No bias decay 不要對bias參數(shù)利用衰減系數(shù)。通常在訓練網(wǎng)絡時會對每個可學習參數(shù)設置一個權(quán)重衰減系數(shù)，用于抑制過擬合。然而我們只對卷積權(quán)重和全連接層的參數(shù)進行衰減，對bias和BN層中的可學習參數(shù)不進行衰減。

所有啟發(fā)式的消融研究如表4所示。僅通過線性擴展學習率將批量大小從256個增加到1024個，導致前1名的準確率下降0.9%，而將上述3個Trick算法疊加在一起則彌補了這一差距。

4.網(wǎng)絡結(jié)構(gòu)

模型調(diào)整是對網(wǎng)絡架構(gòu)的一個小調(diào)整，比如改變特定卷積層的步長。這樣的調(diào)整通常幾乎不會改變計算復雜度，但可能會對模型精度產(chǎn)生不可忽視的影響。在本節(jié)中，我們將以ResNet為例研究模型調(diào)整的影響。

ResNet基礎結(jié)構(gòu)： ResNet網(wǎng)絡由一個輸入主干、四個stage階段和一個最終輸出層組成，如圖所示。在輸入主干中，通過一個stride為2的卷積和stride為2的pooling將輸入圖降采樣四倍，并將通道增加到64個。從stage2開始每個stage都包含有stride為2的降采樣模塊，每個stage是由一個降采樣模塊和N個殘差塊構(gòu)成。降采樣模塊如圖所示，由兩條并行的通道構(gòu)成，實現(xiàn)了跳躍鏈接。殘差塊和降采樣模型的結(jié)構(gòu)一樣，只是沒有stride為2的卷積。不同的resnet網(wǎng)絡結(jié)構(gòu)上是相似的，就是每個stage中的殘差塊的個數(shù)不同。

然而殘差塊和降采樣塊在構(gòu)建的時候存在一些小問題，本文提出了三種改進策略，有效提升了resnet網(wǎng)絡的性能。分別稱為resnet-B,resnet-C,resnet-D。

ResNet-B 它改變了ResNet的降采樣塊。觀察發(fā)現(xiàn)，在降采樣模塊中，pathA中的卷積忽略了輸入特征圖的四分之三，因為它使用的核尺寸為1*1，步長為2。ResNet-B在pathA中切換前兩個卷積的步長大小，如下圖所示，因此沒有信息被忽略。由于第二次卷積的核大小為3*3，所以pathA的輸出形狀保持不變。

ResNet-C 結(jié)果表明，卷積的計算成本是核的寬，高的乘積。一個7*7卷積比一個3*3卷積貴5.4倍。因此，這個微調(diào)將輸入主干中的7*7卷積替換為3個3*3卷積，如下圖所示，第一個和第二個卷積的輸出通道為32，步長為2，而最后一個卷積的輸出通道為64。

ResNet-D 受ResNet-B的啟發(fā)，我們注意到降采樣塊pathB中的1*1個卷積也忽略了輸入特征圖的3/4，我們想對它進行修改，這樣就不會忽略任何信息。根據(jù)經(jīng)驗，我們發(fā)現(xiàn)在卷積之前添加一個步長為2的平均池化層，使其步長變?yōu)?，在實踐中效果良好，對計算成本的影響很小。這個調(diào)整在如下圖所示。

下表展示了上述提到的ResNet-BCD結(jié)構(gòu)堆疊在一起后的性能，我們發(fā)現(xiàn)一些小的結(jié)構(gòu)調(diào)整，能夠有1個點左右的提升。

5.訓練階段

余弦學習速率衰減 如下圖所示，展示了利用余弦學習速率和階躍衰減速率在驗證集上的性能比對。余弦衰減在開始時緩慢降低學習速度，然后在中間幾乎呈線性下降，到最后再次下降。與階躍衰減相比，余弦衰減從一開始就對學習進行衰減，但在階躍衰減使學習速率降低10倍之前，余弦衰減仍然很大，這可能會提高訓練的精度。

標簽平滑（label smooth） 這是一種抑制網(wǎng)絡過擬合現(xiàn)象的策略，如下圖所示，它主要通過軟化標簽，加入噪聲的方式，實現(xiàn)過擬合抑制。具體我之前寫過一篇文章，感興趣的同學可以點下面的鏈接跳轉(zhuǎn)。

混合訓練（Mixup Training） 這其實是一種數(shù)據(jù)增強方法，稱為mixup。在mixup中，每次我們隨機抽取兩個例子(xi, yi)和(xj, yj)。然后通過這兩個實例樣本的加權(quán)線性插值得到一個新的實例樣本，實現(xiàn)數(shù)據(jù)增強。

知識蒸餾（KD） 在知識蒸餾中，我們使用教師模型來幫助訓練當前的模型，即學生模型。教師模型通常是預訓練的模型，具有較高的準確性，因此通過模仿，學生模型可以在保持模型復雜性不變的情況下提高自身的準確性。最近這段時間正好看了幾篇知識蒸餾的文章，感興趣的同學可以點擊鏈接閱讀。

如下表所示，上述提到的各種策略在之前修改了框架和batch策略的基礎上，又都有提升。且這些策略都是不增加模型耗時的高效trick。

總結(jié)

以上是生活随笔為你收集整理的tictoc正方形网络模型_Trick | 分类网络Trick大汇总的全部內(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。