卷积神经网络相关模型

• • 1. CNN架构
  • 2. CNN架构模型
  • • 2.1LeNet模型
    • 2.2Alexnet模型
    • 2.3VGG16模型
    • • 2.3.1 使用多层小卷积核代替一层大的卷积核优点
      • 2.3.2 使用1*1卷积核优点
      • 2.3.2 模型特点

• 卷积神经网络基本概念相关知识连接
  卷积神经网络基本概念相关知识连接

1. CNN架构

• 模型分为2部分【卷积层，全连接层】
• CNN架构堆列一系列卷积层
• 会有多次的卷积=》池化操作
• 在卷积之后，池化之前，会有非线性变换操作【非线性变换一般为Relu】
• 卷积层完成后，进入全连接层
• 在全连接之前，需要把数据reshape为二维数据，才能进入全连接层
• 只有卷积层与全连接才需要计算参数，非线性变换层，池化层不需要计算参数

2. CNN架构模型

2.1LeNet模型

• LeNet5【5代表有五层需要计算参数】
• 模型操作步骤
  • 5*5卷积【1】=》sigmoid层 （非线性变换）=》池化（使用平均池化）【2】
  • 5*5卷积【3】=》sigmoid层 （非线性变换）=》池化（使用平均池化）【4】
  • 全连接层【5】=》全连接层【6】=》全连接层【7】（使用tanh为激活函数）
• 一共7层，【1，3，5，6，7】层需要计算参数
• 模型特点
  • 重复使用卷积层
  • 卷积层使用非线性激活函数sigmoid
  • 全连接层使用非线性激活函数tanh
  • 池化层使用平均池化
  • 全部使用5*5大小的卷积核
  • 总需计算的参数小于1百万

2.2Alexnet模型

• Alexnet8【8代表有8层需要计算参数】
• 模型操作步骤
  • 11*11卷积【1】=》ReLu层 （非线性变换）=》池化（使用最大池化）【2】
  • 5*5卷积 【3】 =》ReLu层 （非线性变换） =》池化（使用最大池化）【4】
  • 3*3卷积【5】=》 3*3卷积【6】=》 3*3卷积【7】=》ReLu层 （非线性变换） =》池化（使用最大池化）【8】
  • 全连接层【9】=》全连接层【10】=》全连接层【11】（使用ReLu为激活函数）
• 一共11层，【1，3，5，6，7，9，10，11】层需要计算参数
• 模型特点
  • 重复使用卷积层
  • 全部使用非线性激活函数ReLu【卷积层与全连接层】
  • 使用11*11,5*5,3*3不同规格的卷积核
  • 池化层使用最大池化
  • 总需计算的参数大约为60百万
  • 训练模型使用了dropout,并且做了数据增强（image augmentation)

2.3VGG16模型

• VGG16【16代表有16层需要计算参数】
• 模型操作步骤
  • 3*3卷积【1】=》 3*3卷积【2】（使用padding填充,使特征图大小不变）=》 池化（使用最大池化）【3】
  • 3*3卷积【4】=》 3*3卷积【5】（使用padding填充,使特征图大小不变）=》池化（使用最大池化）【6】
  • 3*3卷积【7】=》 3*3卷积【8】（使用padding填充,使特征图大小不变）=》 1*1卷积【9】=》池化（使用最大池化)【10】
  • 3*3卷积【11】=》 3*3卷积【12】(使用padding填充,使特征图大小不变)=》 1*1卷积【13】=》池化(使用最大池化)【14】
  • 3*3卷积【15】=》 3*3卷积【16】（使用padding填充,使特征图大小不变）=》 1*1卷积【17】=》池化（使用最大池化)【18】
  • 全连接层【19】=》全连接层【20】=》全连接层【21】（使用ReLu为激活函数）
• 一共21层，【1，2，4，5，7，8，9，11，12，13，15，16，17，19，20，21】层需要计算参数

2.3.1 使用多层小卷积核代替一层大的卷积核优点

• 减少参数计算
  • 例如：使用3层3*3的卷积核代替一层7*7卷积核
    • 使用3层3*3的卷积核与一层7*7卷积核输出的特征图的大小是一致的
    • 设输入特征图个数为C，输出特征图个数也为C
      • 当进行3次3*3的卷积时，参数个数（number3number3number3）为
        number=3∗（3∗3∗C∗C)=27C2\begin{aligned} number&=3*（3*3*C*C) \\&=27C^2 \end{aligned} number​=3∗（3∗3∗C∗C)=27C2​
      • 当进行1次7*7的卷积时，参数个数（number7number7number7）为
        number=7∗7∗C∗C=49C2\begin{aligned} number&=7*7*C*C \\&=49C^2 \end{aligned} number​=7∗7∗C∗C=49C2​
  • 即number3
• 提高泛化能力
  • 在每次卷积之后，都会进行非线性转换，多层卷积核卷积，就会增加非线性次数，提高泛化能力
  • 例如：使用3层3*3的卷积核比一层7*7卷积核多一次非线性转换

2.3.2 使用1*1卷积核优点

• 优点
  • 升维与降维
    • 1*1卷积层不会改变卷积核的大小，只会改变通道数，调整通道数，控制模型复杂度【升维，降维】
      • 通道数比卷积前小，是对数据降维，降低模型复杂度
      • 通道数比卷积前大，是对数据升维，增加模型复杂度
  • 增加非线性变换
  • 可以替代全连接层【通道数就是神经元的个数】
  • 当作池化层
    • 使用1*1卷积核，当输入输出的特征图个数一致时，设置步长(stride),也可以代替池化层【相当于改变特征图的大小】

2.3.2 模型特点

• 全部使用非线性激活函数ReLu【卷积层与全连接层】
• 连续使用小的卷积核
• 池化层使用最大池化
• 使用了1*1卷积核