0. 写作目的
好记性不如烂笔头。
1. 论文理解
1.1 ReLU 激活函数的使用
Rectified Linear Units(ReLU)
使用ReLU比使用tanh(或者sigmoid)激活函数收敛速度更快。下图来自AlexNet论文中给出的在CIFAR-10上的测试效果。可以看出ReLU收敛速度更快。
1.2 多GPU训练
只在特殊层进行GPU数据之间的交流。
例如:第3卷积层的Feature map全部来自于第2卷积层(即来自不同GPU),但第4卷积层的Feature map只来自同一GPU的feature map.
相比只使用一个GPU进行训练,多个GPU信息交互,可以提高精度: 1.7%(top-1)。
1.3 Local Response Normalization (LRN)
文章说: LRN可以增加 泛化能力。
由于后继的分类网络说,LRN效果并不是很好,所以后继的网络都未加入该层。因此这里简单介绍一下。
LRN即对于一个feature map(N个channel)的其中一个channel,将该层前后各n个channel对应位置的数值,然后进行归一化。具体可以看下面的公式:
其中, (x, y)是channel中的位置, i是第i个channel,n 是相邻的“前后”n 个channel数,N是该feature map总的channel数目(即边界channel的处理),实验中k = 2, n = 5, aerfa = 1e-4, belta = 0.75。参数是通过交叉验证得到的。
LRN的使用位置:使用在特征层的ReLU激活函数后。
文中给出的性能提升:LRN可以看做是一种“亮度的正则化(brightness normaliztion)”。因为作者并没有减去均值。