AlexNet论文阅读

[155****7220]

论文下载

这篇论文的背景作者在参加2010年的ILSVRC比赛，取得了冠军

摘要主要介绍了其神经网络的结构——5个卷积层（每个卷积层($convolutionallayers$)后面都跟有池化层($max-poolinglayers$)）和三个全连接层，最后是一个1000维的softmax。然后作者还提到一个比较有意思的想法：“为了避免全连接层的过拟合，我们采用一种名为$dropout$的正则化方法”

引言和数据集的部分都不重要，这里就略过了

第三部分开始简略介绍了AlexNet的架构，其实就和摘要说的是一样，然后作者说他会把他网络中新奇的点接下来按照重要程度（重->轻）依次说明

首先作者认为他网络最重要的部分是激励函数的选取。传统的激励函数是$tanh(x)$，他认为$tanh(x)$模型收敛太慢，所以改用收敛更快的**$Relu$函数**，右边的图中虚线是$tanh(x)$函数，实线是$Relu$函数。使用$Relu$的四层神经网络比$tanh$在达到25%的误差时快6倍

接着作者认为他们多CPU并行计算很重要，这一块主要是硬件，我个人感觉不是很重要，所以略过

局部响应归一化。“Relu不需要将输入层的数据进行归一化防止其饱和”（这里我暂时不是很懂，先放一放）

重叠池化。传统池化的窗口大小$z\ast z$中的$z$等于池化的步长$s$。作者设置$z<s$，这样每次滑动窗口的时候，总有一部分是重叠的（这次池化窗口的内容包含部分上次池化窗口的内容）。与重叠相比，两者的输出维度是相同的，但是采用重叠池化更难过拟合。关于重叠池化，当时作者提出来可能还算比较新颖，但其实目前（到2019年）大部分CNN都用的这种方法

整体架构。文章中GPU部分我就直接略过了，直接看这个图很好理解。

第1卷积层使用96个核对224 × 224 × 3的输入图像进行卷积，核的大小是11 × 11 × 3，步长是4

第2卷积层使用用第1卷积层的输出（响应归一化和池化）作为输入，并使用256个核进行卷积，核的大小是5 × 5 × 48

第3，4，5卷积层互相连接，中间没有接入池化层或归一化层

第3卷积层有384个核，核大小为3 × 3 × 256，与第2卷积层的输出（归一化的，池化的）相连

第4卷积层有384个核，核大小为3 × 3 × 192

第5卷积层有256个核，核大小为3 × 3 × 192

每个全连接层有4096个神经元

最后一层输出是一个softmax，用于产生1000类标签的概率

减少过拟合

数据增强。原本一张图是256 × 256的，但是作者把一张图当作十张图来用。在测试时，网络会提取5个224 × 224的图像块（四个角上的图像块和中心的图像块）和它们的水平翻转（因此总共10个图像块）进行预测，然后对网络在10个图像块上的softmax层进行平均。

第二种数据增强的方法包括改变训练图像的RGB通道的强度。具体地说就是，对整个ImageNet训练集上对RGB像素值集合执行PCA（降维），之后对于每个训练图像，添加多个找到的主成分，其大小与相应的特征值成正比，乘以一个随机变量，这个随机变量服从高斯分布，平均值为零，标准差为0.1。因此对于每幅RGB图像像素$I_{x}y=[I_{xy}^R,I_{xy}^G,I_{xy}^B{]}^T$，加上下面的数量：
$$
[p_1, p_2, p_3][\alpha_1\lambda_1, \alpha_2\lambda_2, \alpha_3\lambda_3]^T
$$
$p_i$、${\lambda }_i$分别是RGB像素值3 × 3协方差矩阵的第$i$个特征向量和特征值，${\alpha }_i$是前面提到的随机变量。对于某个训练图像的所有像素，每个${\alpha }_i$只获取一次，直到图像进行下一次训练时才重新获取。这个方案近似抓住了自然图像的一个重要特性，即光照的颜色和强度发生变化时，目标身份是不变的

失活。“以0.5的概率对每个隐层神经元的输出设为0。那些“失活的”的神经元不再进行前向传播并且不参与反向传播。因此每次输入时，神经网络会采样一个不同的架构，但所有架构共享权重。这个技术减少了复杂的神经元互适应，因为一个神经元不能依赖特定的其它神经元的存在。因此，神经元被强迫学习更鲁棒的特征，它在与许多不同的其它神经元的随机子集结合时是有用的。在测试时，我们使用所有的神经元，但将它们的输出乘以0.5，对指数级的许多失活网络的预测分布进行几何平均，这是一种合理的近似。”

学习细节。作者使用的梯度下降模型是SGD，batch size为128，动量（momentum）为0.9，权重衰减为0.0005，权重$w$的更新规则是
$$
v_{i+1} := 0.9 · v_i - 0.0005 · \varepsilon · w_i - \varepsilon · \langle \frac{\partial L} {\partial w} |{w_i}\rangle {D_i} \
w{i+1} := w_i + v{i + 1}
$$
$i$是迭代索引，$v$是动量变量，$\epsilon$是学习率（learning rate），$⟨\frac{\partial L}{\partial w}{|}_{w_i}{⟩}_{D_i}$是目标函数对$w$，在$w_i$上的第$i$批微分$D_i$的平均

“我们使用均值为0，标准差为0.01的高斯分布对每一层的权重进行初始化。我们在第2，4，5卷积层和全连接层将神经元偏置（biases）初始化为常量1。这个初始化通过为ReLU提供正输入加速了早期的学习阶段。我们在剩下的层将神经元偏置初始化为0”

以上就是这篇论文的重点部分