OpenMMLab AI实战课笔记 -- 第2节课

1. 第二节课(图像分类)

• 图像分类目标：识别图像中有哪些物体
• 视觉任务的难点：图像中的物体是通过图像中的所有像素整体呈现出的效果，与单个像素没有直接关联，难以设计规则算法来处理，所以传统的基于特征的算法（如：HOG、LBP、SIFT等）无法很好地处理这些问题。为更好地解决此问题，既然无法设计规则，就超越规则，让机器自己从数据中学习映射方法。深度学习方法解决了传统特征提取方法的瓶颈。
• 特征的特性：特征对物体的抽象层次越高（即越抽象），其数据的分布就越“规整”，即更易于实现分类。
• 先进的特征提取方法（卷积）：
  • 特征和图像一样具有二维空间结构，保持了二维空间特征
  • 可分层提取可学习的特征（如CNN）
  • 可实现一步特征提取（如多头注意力：Transformer）

1.1 深度学习模型

• 模型设计：设计适合图像的$F_{\theta }(X)$，模型可分为以下几类：
  - 卷积神经网络
  - 轻量化卷积神经网络
  - 神经结构搜索 （NAS：Neural Architecture Search）：
  - 基本思路是借助强化学习等方法搜索表现最佳的网络
  - 代表作有：NASNet (2017)、MnasNet (2018)、EfficientNet (2019) 、RegNet (2020) 等
  - Transformer：
  - 使用 Transformer 替代卷积网络实现图像分类，使用更大的数据集训练，达到超越卷积网络的精度
  - 其代表作有：Vision Transformer (2020)，Swin-Transformer (2021 ICCV 最佳论文)
• 模型训练：学习一组好的参数$\Theta$
  - 监督学习：基于标注数据学习 （关键步骤：损失函数、随机梯度下降算法、视觉模型常用训练技巧）
  - 自监督学习：基于无标注的数据学习

1.2 网络进化过程

1.3 ResNet （残差网络）

• 残差网络特征

  • 让新增加的层拟合浅层网络与深层网络之间的差异
  • 更易学习梯度可以直接回传到浅层网络监督浅层网络的学习
  • 没有引入额外参数，让参数更有效地贡献到最终的模型中
  • 每级输出分辨率减半，通道倍增
  • 全局平均池化压缩空间维度
  • 单层全连接层产生类别概率

• ResNet中的两种残差模块

  • 1×1 卷积用于压缩通道，降低计算开销
    

• 残差链接让损失曲面（Loss Surface） 更平滑，更容易收敛到局部/全局最优解
  

• 图像分类 & 视觉基础模型的发展史
  

  • ConvNeXt (2022)：将 Swin Transformer 的模型元素迁移到卷积网络中，性能反超 Transformer

1.4 卷积的参数量

1.5 卷积的计算量（乘加次数）

1.6 降低模型参数量和计算量的方法

1.7 可分离卷积

• 将常规卷积分解为逐层卷积和逐点卷积，降低参数量和计算量
  
• MobileNet V1 使用可分离卷积，只有 4.2M 参数
• MobileNet V2/V3 在 V1 的基础上加入了残差模块和 SE 模块

1.8 注意力机制 Attention Mechanism

• 实现层次化特征：
  • 后层特征是空间邻域内的前层特征的加权求和
  • 权重越大，对应位置的特征就越重要
    

1.9 学习率线性缩放规则

• 经验性结论：针对同一个训练任务，当 batch size 扩大为原来的 𝑘 倍时，学习率也应对应扩大 𝑘 倍
• 直观理解：这样做可以保证平均每个样本带来的梯度下降步长相同
• 多卡训练：实践中，假设预训练模型使用 lr=0.1，8卡数据并行训练，如果希望用1卡复现实验，lr 应设置为 0.0125

1.10 OpenMMLab中的配置文件

• 深度学习模型的训练涉及几个方面：
  • 模型结构：模型有几层、每层多少通道数等等
  • 数据集：用什么数据训练模型：数据集划分、数据文件路径、数据增强策略等等
  • 训练策略： 梯度下降算法、学习率参数、batch_size、训练总轮次、学习率变化策略等等
  • 运行时 GPU、分布式环境配置等等
  • 一些辅助功能 如打印日志、定时保存checkpoint等等
• 一个配置文件定义了一个完整的训练过程：
  • model：字段定义模型
  • data：字段定义数据
  • optimizer、lr_config： 等字段定义训练策略
  • load_from：字段定义加载训练模型的参数文件