深度学习相关学习资料整理

最新推荐文章于 2024-08-12 21:23:23 发布

置顶 FR-0912

最新推荐文章于 2024-08-12 21:23:23 发布

阅读量950

点赞数 2

分类专栏：深度学习文章标签：深度学习

本文链接：https://blog.csdn.net/qq_17448289/article/details/78051703

版权

深度学习专栏收录该内容

13 篇文章 0 订阅

订阅专栏

1、调参技巧

深度学习参数和架构设计技巧
 Caffe 模型微调的场景、问题、技巧以及解决方案
 Must Know Tips/Tricks in Deep Neural Networks (by Xiu-Shen Wei)

2 数据增强（data augmentation ）

在深度学习中，有的时候训练集不够多，或者某一类数据较少，或者为了防止过拟合，让模型更加鲁棒性，data augmentation是一个不错的选择。

常见方法：
Color Jittering：对颜色的数据增强：图像亮度、饱和度、对比度变化（此处对色彩抖动的理解不知是否得当）；
PCA Jittering：首先按照RGB三个颜色通道计算均值和标准差，再在整个训练集上计算协方差矩阵，进行特征分解，得到特征向量和特征值，用来做PCA Jittering；
Random Scale：尺度变换；
Random Crop：采用随机图像差值方式，对图像进行裁剪、缩放；包括Scale Jittering方法（VGG及ResNet模型使用）或者尺度和长宽比增强变换；
Horizontal/Vertical Flip：水平/垂直翻转；
Shift：平移变换；
Rotation/Reflection：旋转/仿射变换；
Noise：高斯噪声、模糊处理；
Label shuffle：类别不平衡数据的增广，参见海康威视ILSVRC2016的report；另外，文中提出了一种Supervised Data Augmentation方法，有兴趣的朋友的可以动手实验下。

3、ResNet

论文： Deep Residual Learning for Image Recognition
翻译：
1、[译] Deep Residual Learning for Image Recognition (ResNet) （翻译的比较好，推荐！）
2、获奖无数的深度残差学习，清华学霸的又一次No.1 | CVPR2016 最佳论文

4、 GoogLeNet

论文地址：

Inception[V1]: Going Deeper with Convolutions
Inception[V2]: Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift
Inception[V3]: Rethinking the Inception Architecture for Computer Vision
Inception[V4]: Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning

5、通过网络结构估算caffemodel文件的大小

6、通过pre-trianed caffemodel文件大小推出自己任务训练得到的caffemodel文件大小

这里写图片描述
在Netscope 中画出这个网络的网络结构图，一般我们主要更改的是最后一个全连接层的分类类别数目，此网络分类类别数目是21841个类别，global_pool层输出1024个特征，而官方给的fint-tune模型是134.9M大，假设我们做二分类任务，则最终我们根据二分类任务训练得到的caffemodel大小为：134.9M-（1024*21841×4/1024/1024）+（1024*2×4/1024/1024）≈49.6M

7、深度学习中的损失函数总结以及Center Loss函数笔记

文章内总结如下：
1、一种新的loss函数,看起来效果不错,而且也更加符合认知,生成的模型鲁棒性可能更好.
2、本质是度量学习,经常应用在分类领域,原理简单,计算复杂度不大,经常能提升效果.
3、有点使用空间换取时间的意思.
4、属于一个trick.不一定适合所有场景.一般来说,如果同一类样本很类似如mnist手写数字,人脸数据,那么centerloss往往能够带来效果提升.而如果本身同一类样本就差异很大,如cifar100,那么则不一定.也可以理解成一个人的一堆脸取平均值仍然是他的脸,而一堆不同的狗取平均值则可能难以认出是什么.
5、参数设置:a一般取0.5,lambda则0.1-0.0001之间不等,需要实验调参.

8、VGG

论文翻译： VGG：VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION译文

9、DL需要Finetune的原因

摘自知乎：
AlexNet、Network in Network 、VGG、GoogLeNet、Resnet等CNN网络都是图片分类网络, 都是在imagenet上1.2 million数据训练出来的。由于从这些pretrained网络抽出来的deep feature有良好的generalization的能力，可以应用到其他不同的CV问题，而且比传统的hand-craft feature如SIFT，bag of word要好一大截，所以得到广泛应用。目前大部分的high-level vision相关的问题，都是利用基于CNN的方法了。花点时间去了解这几个核心分类网络的结构和发展，是挺有必要的。一般来说，某CNN网络在imagenet上面的分类结果越好，其deep feature的generalization能力越强。最近出现蛮多论文，里面在benchmark上面的比较是自己方法的核心网络换成resnet，然后去比别人基于vgg或者alexnet的方法，自然要好不少。所以对于某个CV的问题，选一个优秀的核心网络作为基础，然后fine-tune, 已经是套路，这点从ResNet那篇论文的citation的增长就可以看出来。
所以，fine-tune的原因一是训练AlexNet等网络需要imagenet, places等million级别的数据，一般的CV任务都没有这么多数据。二是因为pre-trained model本身的feature已经足够generalizable，可以立刻应用到另外一个CV任务。

10、caffe中的iteration,batch_size, epochs理解

深度学习中经常看到epoch、 iteration和batchsize，下面按自己的理解说说这三个的区别：
（1）batchsize：批大小。在深度学习中，一般采用SGD训练，即每次训练在训练集中取batchsize个样本训练；
（2）iteration：1个iteration等于使用batchsize个样本训练一次；
（3）epoch：1个epoch等于使用训练集中的全部样本训练一次；
举个例子，训练集有1000个样本，batchsize=10，那么：训练完整个样本集需要：100次iteration，1次epoch。

深度机器学习中的batch的大小对学习效果有何影响？

就像lecun里说的一样，随机梯度下降不能像full batch那样明显的保证收敛。一般而言，根据你的GPU显存，设置为最大，而且一般要求是8的倍数（比如32，128），这样，GPU内部的并行运算效率最高

基于SGD的训练batch size不能取过大。过大的batchsize的结果是网络很容易收敛到一些不好的局部最优点。。同样太小的batch也存在一些问题，比如训练速度很慢，训练不容易收敛等。。具体的batch size的选取和训练集的样本数目相关。。举个例子，比如在3小时的语音识别库（大约108万个样本）训练DNN,通常batch 取128..而在300小时的库上会取1024..

batch_size设的大一些，收敛得快，也就是需要训练的次数少，准确率上升得也很稳定，但是实际使用起来精度不高。
batch_size设的小一些，收敛得慢，而且可能准确率来回震荡，所以还要把基础学习速率降低一些；但是实际使用起来精度较高。

接触到pooling主要是在用于图像处理的卷积神经网络中，但随着深层神经网络的发展，pooling相关技术在其他领域，其他结构的神经网络中也越来越受关注。
这个图是一个典型的卷积神经网络结构图，其中的卷积层是对图像的一个邻域进行卷积得到图像的邻域特征，亚采样层就是使用pooling技术将小邻域内的特征点整合得到新的特征。
pooling的结果是使得特征减少，参数减少，但pooling的目的并不仅在于此。pooling目的是为了保持某种不变性（旋转、平移、伸缩等），常用的有mean-pooling，max-pooling和Stochastic-pooling三种。

11、pooling层

mean-pooling，即对邻域内特征点只求平均，max-pooling，即对邻域内特征点取最大。根据相关理论，特征提取的误差主要来自两个方面：（1）邻域大小受限造成的估计值方差增大；（2）卷积层参数误差造成估计均值的偏移。
一般来说，mean-pooling能减小第一种误差，更多的保留图像的背景信息，max-pooling能减小第二种误差，更多的保留纹理信息。Stochastic-pooling则介于两者之间，通过对像素点按照数值大小赋予概率，再按照概率进行亚采样，在平均意义上，与mean-pooling近似，在局部意义上，则服从max-pooling的准则。
LeCun的“Learning Mid-Level Features For Recognition”对前两种pooling方法有比较详细的分析对比，如果有需要可以看下这篇论文。
A Theoretical Analysis of Feature Pooling in Visual Recognition
Learning Mid-Level Features For Recognition
Learning Mid-Level Features For Recognition

pooling原因一是仿照人的视觉系统进行降维（降采样），用更高层的抽象表示图像特征，这一部分内容从Hubel&wiesel视觉神经研究到Fukushima提出，再到LeCun的LeNet5首次采用并使用BP进行求解，是一条线上的内容，原始推动力其实就是仿生，仿照真正的神经网络构建人工网络。二LeCun在98年的文章中对这种降采样其实有一些回答，就是当我们在第一层卷积得到一些特征时，这些特征的组合是我们判断原始图像是什么的关键，因此特征的绝对位置已经不那么重要，其相对位置更重要，举个栗子：字符‘7’，手写的时候提取的特征可能是左上方一条横线特征，右上方一个弯曲特征，然后下方有个稍向左下偏的竖线特征，注意我们判断的时候用的左右，上下这些不精确的相对位置，而不是相差多少个像素这种绝对位置。使用相对位置的好处是对一些平移，卷曲，旋转更鲁棒，否则你的正确接受率可能很高，但错误拒绝率会同样高。

12、R-CNN系列

2014-RCNN-Rich feature hierarchies for accurate object detection and semantic segmentation 翻译
 HOG特征
 HOG特征
链接中，利用任意一种梯度算子，例如：sobel，laplacian等，对该patch进行卷积，计算得到每个像素点处的梯度方向和幅值。具体公式如下：
这里写图片描述
具体算法为：

13、nvidia

Ubuntu下有关显存的命令
 nvidia-smi命令
 nvidia-smi命令解读
 nvidia-smi: Control Your GPUs
这里写图片描述
（图片来源：【Caffe实战与小数据深度学习】CNN的近期进展与实用技巧（下））
Caffe当中目前支持单机多卡的分布式训练，但是基于同步模式，每一轮迭代都要进行梯度的交换。因此在多GPU服务器上就可能存在GPU之间的通讯瓶颈，如果GPU之间不支持P2P方式连接而采用socket连接，会极大影响GPU并行的加速比。Linux下可以采用nvidia-smi topo –m命令查看，如果两块显卡之间的桥接方式为SOC也就是socket连接，那么不推荐使用这两块显卡进行分布式训练。注意显卡的桥接方式由主板硬件决定，无法通过软件修改设置。