VGG 论文笔记_vgg损失函数-CSDN博客

本文链接：https://blog.csdn.net/u014061630/article/details/80298932

VGG：Very Deep Convollutional Networks for Large-Scale Image Recognition

摘要： 本文研究了卷积网络的深度对于图像识别任务的准确率的影响。本文的主要贡献：通过堆叠3x3卷积层增加网络深度，系统地研究了网络深度增加到16-19层的过程中性能的提升。上面的研究基于14年ImageNet比赛提交的模型（分类第一名，定位第二名）。另外，我们的模型泛化能力很好，在其它数据集上也取得了state of art。我们开源了两个性能最好的网络，以方便大家在计算机视觉上的进一步研究。
关键点：网络深度，性能

文章总结
系统研究了网络深度对性能的影响。顺便研究了LRN层对性能的影响。另外，VGG大量使用了3x3小卷积。

1. 简介

VGG为了研究了网络深度对性能的影响，在固定架构的其它参数的情况下，通过增加卷积层来逐渐增加网络的深度（整个网络使用的都是3x3卷积核）。作者也提到了，提取到的高层特征也可以使用SVM分类

2. 卷积网络配置

为了衡量深度带来的性能提升，所有的卷积网络层的配置完全一致。

输入：224x224x3
预处理：减去mean RGB值
网络可用组件：3x3卷积层；1x1卷积层；卷积的stride为1；卷积的padding为same以保证conv后分辨率不变；卷积的channel以2的倍数增加（从64开始，最高512）；池化选择ksize为2x2stride为2的max-pooling。卷积后接一个三层FC：4096-4096-1000+softmax。整个网络使用ReLU激活函数。有一个网络版本含有LRN层。

下图是本文使用的网络的配置：

$网络配置图$
本文一共构建了6个模型（A-E）：
A：（11层）8层conv，3层FC
A-LRN：（11层）在A上，增加1个LRN（放在第一个conv后）。
B：（13层）在B上，增加2层3x3 conv
C：（16层）在C上，增加3层1x1 conv
D：（16层）在B上，增加3层3x3 conv
E：（19层）在C上，增加3层3x3 conv

讨论：
VGG在更深的情况下，以较少的参数量取得了比大卷积核浅层网络更好的性能。VGG的第一层不同于AlexNet和ZFNet（AlexNet:11x11 stride 2）（ZFNet:7x7 stride 2），VGG整个网络采用3x3 stride 1卷积。在没有池化时，两个3x3 filter的感受野等效于一个5x5 filter的感受野，3个3x3 filter可以等效1个7x7 filter的感受野。用小卷积核代替大卷积核有两个作用：1.增加了ReLU的个数，从而增加了模型非线性能力；2.减少了参数量；作者认为用3个3x3 conv代替1个7x7 conv，可以看做是对7x7 conv进行了正则。
在模型C中，使用了1x1卷积，它在不改变感受野大小的情况下，增加了模型的非线性。

3.网络在分类任务上的配置

训练
优化算法：mini-batch GD with momentum(0.9)
损失函数：Multinomial Logistic Regression损失函数推荐阅读内容
batch size：256
weight decay rate：5x $10^{-4}$
FC前两层的dropout rate：0.5
学习速率：开始设置为 $10^{-2}$ ，当验证集上的误差停止下降时将学习速率降低为当前的十分之一。

在ImageNet上，训练过程中学习速率下降了3次，迭代了370k次（74epochs）

模型参数的初始化很重要，VGG使用训练好浅层网络的参数初始化更深网络部分层的参数，当然也可以使用Glorot & Bengio (2010)提出的Xavier参数初始化方法。

模型输入的224x224图像从rescaled的图像随机裁剪而来，并进行随机的水平翻转和随机RGB颜色变化。

rescale就是将图像重新调整大小

VGG的TensorFlow实现

#coding:utf-8
'''
下面对VGG文章中的A,A-LRN,B,C,D,E模型进行了实现。

通过更改inference的version参数就可以得到文中的不同深度及配置的模型。
'''
import tensorflow as tf
relu = tf.nn.relu


def print_activation(x):
  print(x.op.name, x.get_shape().as_list())

def inference(inputs,
              num_classes=1000,
              is_training=True,
              dropout_keep_prob=0.5,
              version='A'):
  '''
  inputs: a tensor of images
  num_classes: the num of category.
  is_training: set ture when it used for training
  dropout_keep_prob: the rate of dropout during training