白话超级详细解读(二)-----AlexNet

一、AlexNet简介

2012年，Alex Krizhevsky可以算作是LeNet的一个更深和更广的版本，可以用来学习更加复杂的对象。
Alex的要点

1.用ReLU得到非线性，用ReLU非线性函数作为激活函数
2.使用dropout的trick在训练期间有选择性的忽略隐藏层神经元，来减缓学习模型的过拟合
3.使用重叠最大池进行池化操作，避免平均池的平均效果
4.使用GPU可以减少训练时间，这比CPU处理快了10倍，所以可以被用于更大的数据集和图像上。

二、AlexNet细节介绍

2.1 局部响应归一化（LRN）

推荐阅读：https://blog.csdn.net/program_developer/article/details/79430119
在神经生物学上有一个"侧抑制"的概念，指的是被激活的神经元会抑制相邻神经元。归一化的目的就是"抑制"，局部响应归一化就是借鉴侧抑制的思想来实现局部抑制。尤其是我们使用Relu的时候，这种抑制会很管用。

2.2 数据增强（Data Augmentation）

有一种观点认为，神经网络是靠数据喂出来的，如果能够增加训练数据，提供海量数据进行训练，则能够有效提升算法的准确率，因为这样可以有效避免过拟合（overfitting），从而可以进一步增大、加深网络结构。而当训练数据有限时，可以通过一些变换从已有的训练数据集中生成一些新的数据，以快速地扩充训练数据。
其中，最简单、最通用的图像数据变形的方式：水平翻转图像，从原始图像中随机裁剪、平移变换、颜色变换、光照变换。
在这里插入图片描述
AlexNet在训练时，在数据增强时是这样处理的：

（1）随机裁剪，对256256大小的图片进行随机裁剪到224224，然后进行水平翻转，这样就相当于将样本数量增加了（（256-224）^2）*2 = 2048倍。
（2）测试的时候，对左上、右上、左下、右下、中间分别做了5次裁剪，然后翻转，共10个裁剪，之后对结果求平均。作者说，如果不进行随机裁剪，大网络基本上都过拟合。
（3）对RGB空间做PCA（主成分分析），然后对主成分做一个（0,0.1）的高斯扰动，也就是对颜色、光照做变换，结果使错误率又下降了1%。

2.3 dropout

2.3.1 dropout简介

引入dropout主要是为了防止过拟合。在神经网络中Dropout通过修改神经网络本身结构来实现，对于某一层的神经元，通过定义的概率（通常取0.5）将神经元置为0，这个神经元就不参与前向和后向传播，就如同在网络中被删除了一样，同时保持输入层和输出层神经元的个数不变，然后按照神经网络的学习方法进行参数更新。在下一次迭代中，又重新随机删除一些神经元（将神经元置为0），直至训练结束。
Dropout应该算是AlexNet中的一个很大的创新，Dropout也可以看成是一种模型组合，每次生成的网络结构都不一样，通过组合多个模型的方式能够有效地减少过拟合，Dropout只需要两倍地训练时间即可实现模型组合的效果，非常高效。
在这里插入图片描述

2.3.2 dropout具体工作流程

假设我们要训练这样一个神经网络，如下图所示：
在这里插入图片描述
如上图所示，这是一个正常的神经网络
输入是x，输出是y，正常的流程是：我们首先把x通过网络进行前向传播，然后把误差反向传播以决定如何更新参数，让网络进行学习。使用Dropout之后，过程变成如下：

1.首先随机（临时）删掉网络中一半的隐藏神经元，输入输出神经元保持不变，（下图虚线为部分临时被删除的神经元）
2.然后把输入x通过修改后的网络前向传播，然后把得到的损失结果通过修改的网络反向传播。一小批训练样本执行完这个过程后，在没有被删除的神经元上按照随机梯度下降法更新对应的参数（w,b）。
然后重复执行这一过程：
- 恢复被临时删掉的神经元（此时被删掉的神经元恢复原样，而没有被删掉的神经元已经有所更新）
- 从隐藏层神经元中随机选择一个一半大小的子集临时删掉(备份被删掉的神经元的参数)
- 对一小批训练样本，先前向传播然后反向传播损失，并根据随机梯度下降法更新参数（w,b）（没有被删掉的那一部分神经元得到更新，删掉的神经元保持被删除前的结果）
不断重复这一过程。

2.3.2 dropout在神经网络中的使用

（1）在训练模型阶段
无可避免的，在训练网络的每个单元都要添加一道概率流程。
在这里插入图片描述
对应的公式变化如下：

没有Dropout的网络计算公式：
采用Dropout的网络计算公式：

上面公式Bernoulli函数是为了生成概率r向量，也就是随机生成一个0、1的向量。
代码层面实现让某个神经元以概率P停止工作，其实就是让他的激活函数值以概率P变为0.比如我们某一层的网络神经元的个数为1000个，其激活函数输出值为y1、y2、y3、…、y1000，我们将Dropout的比率置为0.5，那么这一层神经元经过Dropout之后，1000个神经元会有大约400个的值被置为0.

（2）在测试模型阶段
预测模型的时候，每一个神经单元的权重参数要乘以概率p。在这里插入图片描述
测试阶段Dropout公式：

2.4 重叠最大池化（Overlapping Pooling）

一般的池化（Pooling）是不重叠的，池化区域的窗口大小与步长相同，如下图所示：
在这里插入图片描述
在AlexNet中使用的池化（Pooling）却是可重叠的，也就是说，在池化的时候，每次移动的步长小于池化的窗口长度。AlexNet池化的大小为3*3的正方形，每次池化移动步长为2，这样就会出现重叠。重叠池化可以避免过拟合，这个策略贡献了0.3%的Top-5错误率。

三、AlexNet 网络结构

3.1 网络结构全貌

AlexNet模型介绍如下：

1.AlexNet共8层，包括5个卷积层和3个全连接层
2.每一层都使用了Relu函数作为激活函数
3.AlexNet有一个特殊的计算层-LRN层，开辟性的使用了LRN（局部相应归一化）层

在PyTorch的version包中是包含AlexNet的官方实现的，我们直接使用官方版本看下网络的大致结构：

import torchvision
model = torchvision.models.alexnet(pretrained = False)
print(model)

在这里插入图片描述

3.2 计算

这里详细描述了每一层的结构及输入输出的相关计算。
在这里插入图片描述

四、参考文献

1.https://blog.csdn.net/program_developer/article/details/80737724
2.https://blog.csdn.net/program_developer/article/details/79430119
3.ImageNet Classification with Deep Convolutional Neural Networks