ImageNet Classification with Deep Convolutional Neural Networks翻译总结

Alexnet总结笔记

论文：《ImageNet Classification with Deep Convolutional Neural Networks》

1 网络结构

网络使用了逻辑回归目标函数求得参数最优化，此网络结构如图1所示，一共有8层网络：5层卷积层、3层全连接层，还有最前面的是图像输入层。

1）  卷积层

一共有5层卷积层，由结构图可知，此结构用到了2个GPU并行计算部分的卷积层，第2、4、5卷积层是的输入是由上一层卷积层的一部分（同一个GPU上的数据）的输出传入的，而第3层卷积层的输入是由上一层卷积层的全部输入传入的。卷积层的第1、2、5层后面接了Max pooling层，其他的卷积层后面没有接池化层。

2）  全连接层

一共有3层全连接层，最后一个是1000类别分类的softmax分类器，前面两个全连接层是全部链接前面层的所有输出元素。

图1 网络结构

2 细节技术

1）  图像数据集

此网络结构要求训练和测试的图像大小是固定位256x256的RGB图像。

2）  激活函数ReLU

此网络中用的激活函数不是传统的激活函数（sigmoid、tanh），而是用的一种非线性的非饱和的ReLU函数（Rectified Linear Units）。在训练时间上，非饱和函数比饱和函数训练更快，而且这种非线性函数，不但保留了非线性的表达能力，而且由于其具有线性性质（正值部分），相比tanh和sigmoid函数在误差反向传递时，不会有由于非线性引起的梯度弥散形象（顶层误差较大，由于逐层递减误差传递，引起低层误差很小，导致深度网络地层权值更新量很小，导致深度网络局部最优）。ReLU的这些性质可以让我们训练更深的网络。

3）  局部响应归一化LRN

ReLU函数，不需要归一化来防止饱和现象，如果没有神经元产生一个正的激活值，学习就会在这个神经元发生；然而，作者发现局部归一化帮助泛化。归一化公式：

一般初始化参数k=2，n=5，和，这里的N是每一层的神经元的数量。

4）  重叠Pooling

这里的pooling区域为z*z=3*3，间隔距离为s=2.对比z=2,s=2的无重叠方式，提升0.4%的结果（感觉有点小）；此外作者还发现使用重叠pooling，不容易过拟合。

5）  降低过拟合

5.1 数据增广

1、剪切图像；

2、改变图像的RGB通道的强度；

5.2 Dropout

Dropout是指在模型训练时随机让网络某些隐含层节点的权重不工作，不工作的那些节点可以暂时认为不是网络结构的一部分，但是它的权重得保留下来（只是暂时不更新而已），因为下次样本输入时它可能又得工作了（有点抽象，具体实现看后面的实验部分）。

这里一般是取p=0.5的概率随机选取一般的节点参加训练。本网络中主要将其是应用在最后的全连接层。

6）  训练细节

这里训练模型是用了随机梯度下降法和minibatch相结合，minbatch取128。这里更新权重的公式如下：

这里D就是minibatch，是学习率，v是动量变量。这里是一开始初始化w是随机的满足服从均值为0，标准差为0.01的高斯分布。对于偏置初始化是在卷积层2、4、5层和全连接层都初始化为1，其他的层数初始化为0.对于学习率是在所有的层的值是一样大的，一开始初始化为0.01，每一次当验证错误率停止停止提高时，我们手动将学习率除以10，从开始到结束学习率减少三次。