[DL]深度学习_AlexNet-编程知识

AlexNet网络详解

一、AlexNet

1、详细介绍

2、网络框架

二、网络详解

1、首次使用ReLu激活函数

2、模型基本结构与双GPU实现

3、局部响应归一化(LRN)

4、重叠池化(Overlapping Pooling)

5、数据增强

6、Dropout

一、AlexNet

1、详细介绍

AlexNet是一种经典的卷积神经网络模型，由Alex Krizhevsky、Ilya Sutskever和Geoffrey E. Hinton于2012年提出。它是第一个在ImageNet比赛中获得冠军的深度神经网络模型，引领了深度学习在计算机视觉领域的发展。

AlexNet的结构包含了8个图层，其中前5个是卷积层，后3个是全连接层。下面是对每个图层的详细介绍：

输入层（Input Layer）：接受输入的图像，并进行预处理。ImageNet数据集的图像大小为224x224x3，即224个像素的高度、224个像素的宽度和3个颜色通道（RGB）。
卷积层1（Convolutional Layer 1）：使用96个大小为11x11x3的卷积核对图像进行卷积操作，步长为4，不进行零填充（zero-padding）。这一层的目的是提取低级特征，例如边缘和纹理等。
激活函数1（Activation Function 1）：在卷积层之后，通过ReLU（线性整流函数）激活函数处理卷积层的输出。ReLU函数将所有负值变为零，保留正值不变。这一步帮助网络更好地拟合数据。
池化层1（Pooling Layer 1）：使用大小为3x3的最大池化操作，步长为2。这一步有助于减小特征图的尺寸，并且在一定程度上保留重要的特征。
卷积层2（Convolutional Layer 2）：使用256个大小为5x5x48的卷积核对特征图进行卷积操作，步长为1，零填充。这一层进一步提取高级特征。
激活函数2（Activation Function 2）：同样使用ReLU函数对卷积层输出进行激活。
池化层2（Pooling Layer 2）：同样使用大小为3x3的最大池化操作，步长为2。这一步继续减小特征图的尺寸。
卷积层3（Convolutional Layer 3）：使用384个大小为3x3x256的卷积核对特征图进行卷积操作，步长为1，零填充。这一层进一步提取高级特征。
激活函数3（Activation Function 3）：同样使用ReLU函数对卷积层输出进行激活。
卷积层4（Convolutional Layer 4）：使用384个大小为3x3x192的卷积核对特征图进行卷积操作，步长为1，零填充。这一层继续提取高级特征。
激活函数4（Activation Function 4）：同样使用ReLU函数对卷积层输出进行激活。
卷积层5（Convolutional Layer 5）：使用256个大小为3x3x192的卷积核对特征图进行卷积操作，步长为1，零填充。这一层继续提取高级特征。
激活函数5（Activation Function 5）：同样使用ReLU函数对卷积层输出进行激活。
池化层3（Pooling Layer 3）：同样使用大小为3x3的最大池化操作，步长为2。这一步再次减小特征图的尺寸。
全连接层1（Fully Connected Layer 1）：有4096个神经元，将池化层输出的特征图展平为一个向量，并通过该层进行分类。
全连接层2（Fully Connected Layer 2）：有4096个神经元，同样用于分类。
输出层（Output Layer）：有1000个神经元，代表了ImageNet数据集的1000个类别。通过Softmax函数将全连接层2的输出转化为概率分布，得到最终的分类结果。

AlexNet通过使用多个卷积层和全连接层，以及采用ReLU激活函数和池化操作，能够在ImageNet数据集上取得非常好的分类性能，标志着深度学习在计算机视觉领域的重要突破。

notes:

首次将深度卷积神经网络用在图像分类上
首次利用GPU进行网络加速训练
使用了ReLu激活函数，而不是传统的Sigmoid激活函数以及Tanh激活函数，Sigmoid激活函数求导复杂并且网络比较深的时候会引起梯度消失
使用了LRN局部响应归一化
在全连接层的前两层中使用了Dropout随机失活神经元操作，以减少过拟合

2、网络框架

上图框架因为作者使用了两块GPU并行计算，完全相同只需要看一条路径。

经卷积后的矩阵尺寸大小计算公式为：

$N=\frac{(W-F+2P)}{S}+1$

其中输入图片大小 $W\times W$ ，卷积核大小 $F\times F$ ，步长S，填充的像素数量P。

二、网络详解

1、首次使用ReLu激活函数

激活函数必须是非线性的，非线性的激活函数给神经网络模型引入了非线性，才能解决非线性的问题。传统的Sigmoid激活函数和Tanh都是饱和激活函数，输入的x过小或者过大就会被局限在一个很小的区域内，不能再进行变化，也就是梯度消失问题。

ReLu激活函数在x<0时全部置0，x>0时等于x，而且易于求导。只要输出大于0就可以回传梯度，可以大大加快学习速度。

使用ReLu激活函数比使用Tanh激活函数会快6倍。

2、模型基本结构与双GPU实现

在2012年时受限于硬件算力发展，Alex将模型并行放在了双GPU上，每个GPU各自拥有一半神经元，这两个GPU只在部分层有显存读取和通信。

各层参数数量和运算次数：

3、局部响应归一化(LRN)

局部响应归一化（Local Response Normalization，LRN）是一种在卷积神经网络中常用的归一化操作。它的主要作用是增强模型的泛化能力和稳定性。

LRN操作是在卷积层后的激活函数之前应用的。它基于局部区域内的活跃度进行归一化，以调整神经元的响应程度。具体来说，对于卷积层的输出特征图中的每个位置，LRN操作将该位置的激活值除以它的局部邻域的平方和。这种归一化操作可以通过以下公式表示：

$b_{x,y} = \frac{ a_{x,y}}{ (k + alpha * sum(a_{x,y}^2))}$

其中，代表卷积层输出特征图中位置上的激活值，代表归一化后的激活值，表示局部邻域内激活值的平方和，是一个较小的正数，是一个正的缩放参数。

LRN操作的主要目的是增强对比度，即通过抑制较大的响应值和增强较小的响应值，使得相邻神经元之间的响应差异更加明显。这有助于提高模型对于局部模式的感知能力，并且增强了鲁棒性和泛化能力。

需要注意的是，LRN操作主要在早期的卷积网络中使用，如AlexNet和GoogLeNet等，在后续的一些网络结构中逐渐被更加有效的归一化方法如批归一化（Batch Normalization）所取代。批归一化通过对每个小批次的数据进行归一化，实现了更好的效果和稳定性。因此，尽管LRN是一种常用的操作，但在现代的深度学习模型中已经较少使用。

notes：