GoogLeNet：Going deeper with convolutions
GoogleNet 是 2014 年 ImageNet Challenge 图像识别比赛的冠军(亚军为VGG)；
Inception架构的基础；
google团队完成；
发表时间：Submitted on 17 Sep 2014；
发表期刊/会议：Computer Vision and Pattern Recognition；
论文地址：https://arxiv.org/abs/1409.4842
Inception发展演变：
- GoogLeNet/Inception V1)2014年9月 《Going deeper with convolutions》；
- BN-Inception 2015年2月 《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》；
- Inception V2/V3 2015年12月《Rethinking the Inception Architecture for Computer Vision》；
- Inception V4、Inception-ResNet 2016年2月 《Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning》；
- Xception 2016年10月 《Xception: Deep Learning with Depthwise Separable Convolutions》；
0 摘要
本文提出一种叫Inception的深度卷积神经网络架构，该架构在2014年ImageNet大规模视觉识别挑战赛(ILSVRC14)分类和检测任务中刷新了指标。这种体系结构的主要特点是提高了网络内计算资源的利用率。
通过精心设计的架构来增加网络的深度和宽度，同时减少参数和计算量(保持计算预算)；
本文受两个理念的启发：
- Hebbian principle：赫布理论，把识别到的不同特征进行融合；
- multi-scale processing：多尺度处理，不同尺度卷积核并行处理；
在ILSVRC14比赛中，提交Inception的一个实例：GoogLeNet；
1 简介
深度学习的发展和进步离不开：更庞大的数据、更快的算力、更好的模型；
随着移动和嵌入式计算的不断发展，算法的效率，尤其是它们的功耗和内存使用，变得越来越重要；
本文提出一种叫Inceotion的架构，名字来源于《盗梦空间》。
“深度”一词(标题中)在本文中有两种含义：
- 更好的挖掘模型架构/模块->Inception；
- 网络层次更深；
2 相关工作
LeNet-5奠定CNN基础结构：卷积-归一化-最大池化-FC；
CNN在图像分类任务，MNIST、CIFAR、ImageNet的结果；
AlexNet-2012；
ZFNet-2013；
NiN(Network In Network)：1×1卷积；
目标检测：R-CNN；
3 动机（哲学层面）
提高深度神经网络性能最直接的方法是增加它们的大小。这包括增加网络的深度(层数)和宽度(每层的单元数)。
更大的规模-更大的参数数量-容易过拟合(数据标注成本非常高)；
更大的规模-计算效率降低、复杂度变高；
解决这个问题的根本方法是用稀疏连接取代密集连接；
但是现在的计算基础(CPU/GPU)在处理稀疏连接时都是比较低效的，对于密集的矩阵运算比较高效；
基于以上，提出问题：能否在仍旧利用现有硬件进行密集矩阵运算的前提下，改进模型结构，哪怕只是在卷积层改进从而能够利用稀疏连接带来的好处；
提出Inception模块，用一系列密集运算实现了一个稀疏模型(Inception模块内部，每一个操作都是密集运算，但是整体连接是稀疏的，只有4个分支)；
4 架构细节
Inception模块架构示意图如图2所示，左(a)为原始版本，右(b)为更新后加入降维的版本；
原始的Inception模块(左图)：
用多个不同类型的卷积核(1 × 1，3 × 3，5 × 5，3 × 3 max pooling，这就是摘要里提到的多尺度信息)组合在一起代替一个3 × 3卷积，这样做的好处在于提取出的特征具有多样化，最后把得到的特征concatenate在一起输入下一层，如图3所示，但这样会造成维度越来越高，计算量越来越大的问题；
改进：
在原始的Inception模块上加入1 × 1卷积进行降维(思想受Network In Network启发)，这样可以降低计算量，并且保持架构不变；
Inception模块Pytorch实现：
#inception结构
class Inception(nn.Module):
def __init__(self, in_channels, ch1x1, ch3x3red, ch3x3, ch5x5red, ch5x5, pool_proj):
super(Inception, self).__init__()
self.branch1 = BasicConv2d(in_channels, ch1x1, kernel_size=1)
self.branch2 = nn.Sequential(
BasicConv2d(in_channels, ch3x3red, kernel_size=1),
BasicConv2d(ch3x3red, ch3x3, kernel_size=3, padding=1) # 保证输出大小等于输入大小
)
self.branch3 = nn.Sequential(
BasicConv2d(in_channels, ch5x5red, kernel_size=1),
BasicConv2d(ch5x5red, ch5x5, kernel_size=5, padding=2) # 保证输出大小等于输入大小
)
self.branch4 = nn.Sequential(
nn.MaxPool2d(kernel_size=3, stride=1, padding=1),
BasicConv2d(in_channels, pool_proj, kernel_size=1)
)
def forward(self, x):
branch1 = self.branch1(x)
branch2 = self.branch2(x)
branch3 = self.branch3(x)
branch4 = self.branch4(x)
outputs = [branch1, branch2, branch3, branch4]
return torch.cat(outputs, 1)
5 GoogLeNet
GoogLeNet的名字包含对LeNet的致敬；
GoogLeNet架构详情见表1，包含了9个Inception模块，共22层(有权重的层，包括池化层共27层)；
所有卷积均使用ReLU激活函数；
输入：224 * 224 RGB图像；
GoogLeNet实现(PyTorch)：
import torch.nn as nn
import torch
import torch.nn.functional as F
class GoogLeNet(nn.Module):
def __init__(self, num_classes=1000, aux_logits=True, init_weights=False):
super(GoogLeNet, self).__init__()
self.aux_logits = aux_logits
self.conv1 = BasicConv2d(3, 64, kernel_size=7, stride=2, padding=3)
self.maxpool1 = nn.MaxPool2d(3, stride=2, ceil_mode=True)
self.conv2 = BasicConv2d(64, 64, kernel_size=1)
self.conv3 = BasicConv2d(64, 192, kernel_size=3, padding=1)
self.maxpool2 = nn.MaxPool2d(3, stride=2, ceil_mode=True)
self.inception3a = Inception(192, 64, 96, 128, 16, 32, 32)
self.inception3b = Inception(256, 128, 128, 192, 32, 96, 64)
self.maxpool3 = nn.MaxPool2d(3, stride=2, ceil_mode=True)
self.inception4a = Inception(480, 192, 96, 208, 16, 48, 64)
self.inception4b = Inception(512, 160, 112, 224, 24, 64, 64)
self.inception4c = Inception(512, 128, 128, 256, 24, 64, 64)
self.inception4d = Inception(512, 112, 144, 288, 32, 64, 64)
self.inception4e = Inception(528, 256, 160, 320, 32, 128, 128)
self.maxpool4 = nn.MaxPool2d(3, stride=2, ceil_mode=True)
self.inception5a = Inception(832, 256, 160, 320, 32, 128, 128)
self.inception5b = Inception(832, 384, 192, 384, 48, 128, 128)
if self.aux_logits:
self.aux1 = InceptionAux(512, num_classes)
self.aux2 = InceptionAux(528, num_classes)
self.avgpool = nn.AdaptiveAvgPool2d((1, 1))
self.dropout = nn.Dropout(0.4)
self.fc = nn.Linear(1024, num_classes)
if init_weights:
self._initialize_weights()
def forward(self, x):
# N x 3 x 224 x 224
x = self.conv1(x)
# N x 64 x 112 x 112
x = self.maxpool1(x)
# N x 64 x 56 x 56
x = self.conv2(x)
# N x 64 x 56 x 56
x = self.conv3(x)
# N x 192 x 56 x 56
x = self.maxpool2(x)
# N x 192 x 28 x 28
x = self.inception3a(x)
# N x 256 x 28 x 28
x = self.inception3b(x)
# N x 480 x 28 x 28
x = self.maxpool3(x)
# N x 480 x 14 x 14
x = self.inception4a(x)
# N x 512 x 14 x 14
if self.training and self.aux_logits: # eval model lose this layer
aux1 = self.aux1(x)
x = self.inception4b(x)
# N x 512 x 14 x 14
x = self.inception4c(x)
# N x 512 x 14 x 14
x = self.inception4d(x)
# N x 528 x 14 x 14
if self.training and self.aux_logits: # eval model lose this layer
aux2 = self.aux2(x)
x = self.inception4e(x)
# N x 832 x 14 x 14
x = self.maxpool4(x)
# N x 832 x 7 x 7
x = self.inception5a(x)
# N x 832 x 7 x 7
x = self.inception5b(x)
# N x 1024 x 7 x 7
x = self.avgpool(x)
# N x 1024 x 1 x 1
x = torch.flatten(x, 1)
# N x 1024
x = self.dropout(x)
x = self.fc(x)
# N x 1000 (num_classes)
if self.training and self.aux_logits: # eval model lose this layer
return x, aux2, aux1
return x
def _initialize_weights(self):
for m in self.modules():
if isinstance(m, nn.Conv2d):
nn.init.kaiming_normal_(m.weight, mode='fan_out', nonlinearity='relu')
if m.bias is not None:
nn.init.constant_(m.bias, 0)
elif isinstance(m, nn.Linear):
nn.init.normal_(m.weight, 0, 0.01)
nn.init.constant_(m.bias, 0)
#辅助分类器
class InceptionAux(nn.Module):
def __init__(self, in_channels, num_classes):
super(InceptionAux, self).__init__()
self.averagePool = nn.AvgPool2d(kernel_size=5, stride=3)
self.conv = BasicConv2d(in_channels, 128, kernel_size=1) # output[batch, 128, 4, 4]
self.fc1 = nn.Linear(2048, 1024)
self.fc2 = nn.Linear(1024, num_classes)
def forward(self, x):
# aux1: N x 512 x 14 x 14, aux2: N x 528 x 14 x 14
x = self.averagePool(x)
# aux1: N x 512 x 4 x 4, aux2: N x 528 x 4 x 4
x = self.conv(x)
# N x 128 x 4 x 4
x = torch.flatten(x, 1)
x = F.dropout(x, 0.5, training=self.training)
# N x 2048
x = F.relu(self.fc1(x), inplace=True)
x = F.dropout(x, 0.5, training=self.training)
# N x 1024
x = self.fc2(x)
# N x num_classes
return x
class BasicConv2d(nn.Module):
def __init__(self, in_channels, out_channels, **kwargs):
super(BasicConv2d, self).__init__()
self.conv = nn.Conv2d(in_channels, out_channels, **kwargs)
self.relu = nn.ReLU(inplace=True)
def forward(self, x):
x = self.conv(x)
x = self.relu(x)
return x
辅助分类器：
梯度传播非常重要，一个有趣的见解是，相对较浅的网络在这项任务中的强大性能表明，网络中间层产生的特征应该是非常有区别的。
在中间层(4a和4d模块)引入辅助分类器，期望鼓励分类器中较低阶段的区分，增加传播回来的梯度信号，并提供额外的正则化。
在训练过程中，它们的损失被添加到具有折扣权重的网络的总损失中（loss = loss主 + 0.3loss辅1 + 0.3loss辅2）。在推断时，去掉辅助分类器。
6 训练细节
网络使用DistBelief分布式机器学习系统进行训练，该系统使用适度的模型和数据并行性；
GoogLeNet可以在一周内收敛；
带动量的SGD；
固定学习率计划（每8个时期将学习率降低4%）；
调参；
数据增强；
7 实验 分类
8 实验 检测
