机器学习笔记（十四）：TensorFlow实战六（经典卷积神经网络：AlexNet ）

1 - 引言

2012年，Imagenet比赛冠军的model——Alexnet [2]（以第一作者alex命名）。这个网络算是一个具有突破性意义的模型
首先它证明了CNN在复杂模型下的有效性，然后GPU实现使得训练在可接受的时间范围内得到结果，让之后的网络模型构建变得更加复杂，并且通过GPU加速越来越得到关注
论文原文：http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf

神经网络整体结构如下图所示：

Alexnet 模型的创新之处：

• ReLU
  一般神经元的激活函数会选择sigmoid函数或者tanh函数，然而Alex发现在训练时间的梯度衰减方面，这些非线性饱和函数要比非线性非饱和函数慢很多。在AlexNet中用的非线性非饱和函数是f=max(0,x)，即ReLU。实验结果表明，要将深度网络训练至training error rate达到25%的话，ReLU只需5个epochs的迭代，但tanh单元需要35个epochs的迭代，用ReLU比tanh快6倍。

• 双GPU加速
  为提高运行速度和提高网络运行规模，作者采用双GPU的设计模式。并且规定GPU只能在特定的层进行通信交流。其实就是每一个GPU负责一半的运算处理。作者的实验数据表示，two-GPU方案会比只用one-GPU跑半个上面大小网络的方案，在准确度上提高了1.7%的top-1和1.2%的top-5。值得注意的是，虽然one-GPU网络规模只有two-GPU的一半，但其实这两个网络其实并非等价的。

• LRN局部响应归一化

ReLU本来是不需要对输入进行标准化，但本文发现进行局部标准化能提高性能。
$b^i_{x,y}=\alpha^i_{x,y}/(k+\alpha\sum^{min(N-1,i+n/2)}_{j=max(0,i-n/2)}(\alpha^j_{x,y})^2)$

这种响应归一化实现了一种模仿真实神经元的横向抑制，从而在使用不同内核计算的神经元输出之间产生较大的竞争

• 重叠池化
  实验表示使用 带交叠的池化的效果比的传统要好，在top-1和top-5上分别提高了0.4%和0.3%，在训练阶段有避免过拟合的作用。

• Dropout
  Dropout是一种随机使神经元失活的一种正则化方法，可以有效的避免过拟合。在我们之前实现用LeNet-5来识别MNIST训练集的时候就使用了这种方法

下面让我们来详细的介绍AlexNet

2 - AlexNet模型结构分析

2.1 - Conv1阶段

• 输入数据：227x227x3
• 卷积核：11x11x3
• 卷积核移动步长：4
• 卷积核数量：96
• 池化层：3x3
• 池化层移动步长：2
• 输出数据：27x27x96

2.2 - Conv2阶段

• 输入数据：27x27x96
• 卷积核：5x5
• 卷积核数量：256
• 卷积核移动步长：2
• padding : 2
• 池化层：3x3
• 池化层移动步长：2
• 输出数据：13x13x256

2.3 - Conv3阶段

• 输入数据：13x13x256
• 卷积核：3x3
• pading : 1
• 卷积核数量：384
• 输出数据：13x13x384

2.4 - Conv4阶段

• 输入数据13x13x384
• 卷积核：3x3
• pad:1
• 卷积核数量：384
• 输出数据：1313384

2.5 - Conv5阶段

• 输入数据13x13x384
• 卷积核：3x3
• pad:1
• 卷积核数量：256
• 输出数据：1313256

之后三个阶段为全连接阶段参数如图所示

2.6 FC6阶段

2.7 FC6阶段

2.8 FC6阶段

3 - TensorFlow搭建AlexNet模型：

Keras简介：

Keras中文手册 https://keras-cn.readthedocs.io/en/latest/

Keras是一个高层神经网络API，Keras由纯Python编写而成并基Tensorflow、Theano以及CNTK后端。Keras 为支持快速实验而生，能够把你的idea迅速转换为结果，如果你有如下需求，请选择Keras：

简易和快速的原型设计（keras具有高度模块化，极简，和可扩充特性）
支持CNN和RNN，或二者的结合
无缝CPU和GPU切换
Keras适用的Python版本是：Python 2.7-3.6

Keras是一个在TensorFlow之上的高级深度学习框架，可以理解为Keras为TensorFlow的使用提供了多种方便的API，我们可以通过Keras提供的API快速的使用TensorFlow搭建我们所需要的神经网络模型

def AlexNet():

    model = Sequential()
    model.add(Conv2D(96,(11,11),strides=(4,4),input_shape=(227,227,3),padding='valid',activation='relu',kernel_initializer='uniform'))
    model.add(MaxPooling2D(pool_size=(3,3),strides=(2,2)))
    model.add(Conv2D(256,(5,5),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))
    model.add(MaxPooling2D(pool_size=(3,3),strides=(2,2)))
    model.add(Conv2D(384,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))
    model.add(Conv2D(384,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))
    model.add(Conv2D(256,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))
    model.add(MaxPooling2D(pool_size=(3,3),strides=(2,2)))
    model.add(Flatten())
    model.add(Dense(4096,activation='relu'))
    model.add(Dropout(0.5))
    model.add(Dense(4096,activation='relu'))
    model.add(Dropout(0.5))
    model.add(Dense(1000,activation='softmax'))
    return model

以上是使用Kears快速搭建的一个AlexNet结构。
完整的AlexNet应用模型（Tensorflow）版github地址：
https://github.com/kratzert/finetune_alexnet_with_tensorflow