跳到主要内容

ImageNet Classification with Deep Convolutional Neural Networks

论文

深度学习要使用正则来避免过拟合

写论文时要提到别人的研究，进行对比，这个文章只提到了 CNN 来做图像分类

使用一个很大的模型，如何来避免

AlexNet​

AlexNet 论文 读第一遍： 标题、摘要、结论、图表

AlexNet：DL 浪潮的奠基作之一

视角 1：回到 2012 年， 理解文章

视角 2：2021 年时，AlexNet 过时 or 仍然适用的 idea

1.标题

ImageNet （当时最大的图片分类数据集 100w 图片 1000 类别） Classification

Deep Convolutional：2012 convolution 没有 tree SVM 火

Neural Network

作者

Alex：第一作者命名的网络

轶事：Goolge 研究院 引用次数 > 10w 有 20 + 人，都去参加了讲座；Ilya 讲了 3 个 dirty tricks：图片增强、ReLU、dropout，赢了比赛。

大佬们的期待：这个工作揭示了深刻的见解，对世界的新理解；模型的新理解 or 任意关于模型的解释部分，不单纯只是 提出模型效果好 就可以。

Why 效果好？How to apply? 在哪些地方的应用好？

Hinton：DL 先驱

2.摘要

训练了卷积神经网络、图片分类效果好 SOTA （top1 + top5）、网络的参数和架构、加速训练的技巧、避免过拟合的 dropout、模型变体比赛赢

1 What：干了什么？

训练了 large, deep 的 CNN 以分类 120 w 图片的 1000 个类别。

2 Outcome：效果如何？

比前人工作好

top-1 error: 37.5%

top-5 error: 17%

3 网络长什么样？

600w 参数，65 w 神经元

5 个卷积层 （< 5 max-pooling 层） + 3 个全连接层（1000-way softmax）

4 这么多参数、怎么训练快点？

non-saturating neurons + GPU 实现卷积运算

5 这么多参数、学过头了怎么办？

避免 FCN 的过拟合，dropout 正则 effective

6 为什么我这么厉害？

想知道？不告诉你，但我的兄弟姐妹也厉害！比赛冠军！远超第二！

3.结论

本文无 conclusion（和摘要一一对应），只有 discussion (吐槽（😂）、为来做什么)

P1：文章总结

一句话，怎么总结我的好？

a large, deep CNN is capable of achieving record-breaking results (SOTA) on a highly challenging dataset（指的是 ImageNet）using purely supervised learning.

什么情况，我会表现得不好呢？

  • remove a single convolutional layer
  • i.e., 去掉中间层，降 2%

depth is important.

深度重要，但深度是最重要的吗？

去掉一层 convolutional layer, 降低 2%；不能证明深度是最重要的。

可能的情况：没设置好参数。

AlexNet 可以去掉一些层、调节中间参数，效果不变。直接砍掉一层，掉 2% 可能是搜索参数做的不够，没调好参数。

反过来讲，结论没问题？

深宽都重要，i.e., 照片的高宽比

深度重要 --> CNN 需要 很深。

宽度也重要 --> 特别深 + 特别窄 or 特别浅 + 特别宽 ❌

P2：未来研究

不用 unsupervised pre-training 也没关系？

2012 年 DL 的目的是：像“人”（不一定知道真实答案） 书读百遍、其意自现。

通过训练一个非常大的神经网络，在没有标签的数据上，把数据的内在结构抽取出来。

关注的潮流怎么改变？

AlexNet 之前大佬们爱：无监督学习

（Why 大佬们不爱 有监督学习？）

（有监督学习 打不赢 树 SVM ）

AlexNet 证明 大力出奇迹。模型够大、有标签数据够多、我 No. 1 !

最近大家一起爱：BERT、GAN

本文最重要的 是什么？real wow moment

Deep CNN 训练的结果，图片最后向量（学到了一种嵌入表示）的语义表示 特别好~！

相似的图片的向量会比较近，学到了一个非常好的特征；非常适合后面的 ML，一个简单的 softmax 就能分类的很好！

学习嵌入表示，DL 的一大强项。

和当前最好结果的对比：远远超过别人（卖点、wow moment、sexy point）

模型架构图

img

introduction​

第一段

一篇论文的第一段通常是讲个故事

  • 做什么研究
  • 哪个方向
  • 这个方向有什么东西
  • 为什么很重要

第二段

描述了怎么做神经网络，这里只介绍了 CNN

写论文的时候，千万不要只说自己这个领域这个小方向大概怎么样，还要提到别的方向怎么样

第三段

CNN 虽然很好，但是很难训练，但是现在有 GPU 了，GPU 算力能够跟上，所以能够训练很大的东西，而且数据集够大，确实能够训练比较大的 CNN

前三段基本描述了

  • 我做了什么东西
  • 为什么能做

第四段

paper 的贡献

  • 训练了一个最大的的神经网络，然后取得了特别好的结果
  • 实现了 GPU 上性能很高的一个 2D 的卷积
  • 网络有一些新的和不常见的一些特性，能够提升性能，降低模型的训练时间
  • 使用了什么过拟合的方法使得模型变得更好
  • 模型具有 5 个卷积层，3 个全连接层，发现深度很重要，移掉任何一层都不行

结果很好，但是还是有新东西在里面的，如果就结果很好，没有新东西，大概是不会称为奠基作

the dataset​

大概描述了一下所用的数据集

重点是最后一段：ImageNet 中图片的分辨率是不一样的，因此将每张图片变成了一个 256*256 的图片：

  • 将图片的短边减少到 256，长边是保证高宽比不变的情况下也往下降，长边如果依然多出来的话，如果多于 256 的话，就以中心为界将两边裁掉，裁成一个 256*256 的图片
  • 没有做任何的预处理，只是对图片进行了裁剪
  • 网络是在 raw RGB Value 上训练的
  • 当时做计算机视觉都是将特征抽出来，抽 SIFT 也好，抽别的特征也好（imagenet 数据集也提供了一个 SIFT 版本的特征），这篇文章说不要抽特征，直接是在原始的 Pixels 上做了
  • 在之后的工作里面基本上主要是end to end（端到端）：及那个原始的图片或者文本直接进去，不做任何的特征提取，神经网络能够帮助你完成这部分工作

the architecture​

讲整个网络的架构

  • relu 非线性激活函数
  • 使用了多 GPU 进行训练
  • 正则化、归一化
  • overlapping pooling
  • 总体架构

img

  • 方框表示每一层的输入和输出的数据的大小
  • 输入的图片是一个高宽分别为 224*224 的 3 通道 RGB 图片
  • 第一层卷积：卷积的窗口是 11*11，有 48 个输出通道，stride 等于 4
  • 有两个 GPU，GPU1 和 GPU0 都有自己的卷积核参数

img

  • 第一个卷积层在两个 GPU 上各有一个
  • 第二个卷积层是在每个 GPU 把当前的卷积结果拿过来（GPU0 的第二个卷积层读的是 GPU0 的第一个卷积层的卷积结果，GPU0 和 GPU1 之间没有任何通讯）
  • 到第三个卷积层的时候，GPU 还是每个 GPU 上有自己的卷积核，但是每个卷积核会同时将第二个卷积层中 GPU0 和 GPU1 的卷积结果作为输入，两个 GPU 之间会通讯一次
  • 第 4、5 个卷积层之间没有任何通讯
  • 每个卷积层的通道数是不一样的，通道数有所增加，高和宽也有所变化
  • 高宽慢慢变小、深度慢慢增加，随着深度的增加，慢慢地将空间信息压缩，直到最后每一个像素能够代表前面一大块的像素，然后再将通道数慢慢增加，可以认为每个通道数是去看一种特定的模式（例如 192 个通道可以简单地认为，能够识别图片中的 192 种不同的模式）
  • 慢慢将空间信息压缩，语义空间慢慢增加，到最后卷积完之后，进入全连接层
  • 全连接层中又出现了 GPU 之间的通讯，全连接层的输入是每个 GPU 第五个卷积的输出合并起来做全连接

img

  • 最后进入分类层的时候，变成了一个 4096 长的向量，每一块来自两个 GPU，每片是 2048，最后拼起来，所以一张图片会表示成一个 4096 维的向量，最后用一个线性分类做链接
  • 深度学习的主要作用是将一张输入的图片，通过卷积、池化、全连接等一系列操作，将他压缩成一个长为 4096 的向量，这个向量能够将中间的语义信息都表示出来（将一个人能够看懂的像素通过一系列的特征提取变成了一个长为 4096 的机器能够看懂的东西，这个东西可以用来做搜索、分类等）
  • 整个机器学习都可以认为是一个知识的压缩过程，不管是图片、语音还是文字或者视频，通过一个模型最后压缩成一个向量，然后机器去识别这个向量，然后在上面做各种事情
  • 模型并行（model parallel）：现在在计算机视觉里面用的不多，但是在自然语言处理方面又成为主流了（将模型切开进行训练）

reducing overfitting​

第四章讲述了如何降低过拟合

数据增强（data augmentation）

  • 把一些图片人工地变大
  • 在图片中随机地抠出一部分区域，做一张新的图片
  • 把整个 RGB 的颜色通道 channel 上做一些改变，这里使用的是一个**PCA（主成分分析）**的方法，颜色会有不同，因此每次图片跟原始图片是有一定的不同的

dropout

  • 随机的把一些隐藏层的输出变成用 50%的概率设为 0，每一次都是把一些东西设置为 0，所以模型也就发生了变化，每次得到一个新的模型，但是这些模型之间权重是共享的除了设置成 0 的，非 0 的东西都是一样的，这样就等价于做了模型融合
  • 后来大家发现 dropout 其实也不是在做模型融合，更多的 dropout 就是一个正则项（dropout 在现行模型上等价于一个 L2 正则项）
  • 这里将 dropout 用在了前面的两个全连接层上面
  • 文章说没有 dropout 的话，overfitting 会非常严重，有 dropout 的话，训练会比别人慢两倍
  • 现在 CNN 的设计通常不会使用那么大的全连接层，所以 dropout 也不那么重要，而且 GPU、内存也没那么吃紧了
  • dropout 在全连接上还是很有用的，在 RNN 和 Attension 中使用的非常多

details of learning​

讲述了模型是如何训练的

  • 使用 SGD（随机梯度下降）来进行训练，SGD 调参相对来说可能会比较难调，后来发现 SGD 里面的噪音对模型的泛化性其实是有好处的，所以现在深度学习中普遍使用 SGD 对模型进行训练。在这个文章之后 SGD 基本上在机器学习界成为了最主流的一个优化算法
  • 批量大小是 128
  • momentum 是 0.9
  • weight decay 是 0.0005，也就是 L2 正则项，但是这个东西不是加在模型上，而是加在优化算法上，虽然他们两个是等价关系，但是因为深度学习的学习，所以大家现在基本上把这个东西叫做 weight decay 了
  • momentum 也是因为这篇文章之后用的特别多，虽然在 2010 年的时候有大量的加速算法，里面有很 fancy 的各种加速 SGD 算法，但是现在看起来似乎用一个简单的 momentum 也是不错的
  • momentum 实际上是，当优化的表面非常不平滑的时候，冲量使得不要被当下的梯度过多的误导，可以保持一个冲量从过去那个方向，沿着一个比较平缓的方向往前走，这样子不容易陷入到局部最优解
  • 权重用的是一个均值为 0，方差为 0.01 的高斯随机变量来初始化（0.01 对很多网络都是可以的，但是如果特别深的时候需要更多优化，但是对于一些相对简单的神经网络，0.01 是一个不错的选项）
  • 现在就算是比较大的那些 BERT，也就是用了 0.02 作为随机的初始值的方差
  • 在第二层、第四层和第五层的卷积层把初始的偏移量初始化成 1，剩下的全部初始化成 0
  • 每个层使用同样的学习率，从 0.01 开始，然后呢如果验证误差不往下降了，就手动的将他乘以 0.1，就是降低十倍
  • ResNet 中，每训练 120 轮，学习率每 30 轮就下降 0.1 另外一种主流的做法就是，前面可以做得更长一点，必须能够 60 轮或者是 100 轮，然后再在后面下降
  • 在 Alex 之后的很多训练里面，都是做规则性地将学习率往下下降十倍，这是一个非常主流的做法，但是现在很少用了，现在使用更加平滑的曲线来降低学习率，比如果用一个 cos 的函数比较平缓地往下降。一开始的选择也很重要，如果选的太大可能会发生爆炸，如果太小又有可能训练不动，所以现在主流的做法是学习率从 0 开始再慢慢上升，慢慢下降

img

  • 模型训练了 90 个 epoch，然后每一遍用的是 ImageNet 完整的 120 万张图片，需要 5-6 天在两个 GTX GPU 上训练