一、说明

在 10年的深度学习中，进步是多么迅速！早在 2012 年，Alexnet 在 ImageNet 上的准确率就达到了 63.3% 的 Top-1。现在，我们超过90%的EfficientNet架构和师生训练（teacher-student）。

如果我们在 Imagenet 上绘制所有报告作品的准确性，我们会得到这样的结果：

图像分类-绘图图像网

来源：Papers with Code - Imagenet Benchmark

在本文中，我们将重点介绍卷积神经网络（CNN）架构的演变。我们将专注于基本原则，而不是报告简单的数字。为了提供另一种视觉概览，可以在单个图像中捕获2018年之前表现最佳的CNN：

深度学习-架构-情节-2018

截至 2018 年的架构概述。资料来源：Simone Bianco et al. 2018

不要惊慌失措。所有描述的体系结构都基于我们将要描述的概念。

请注意，每秒浮点运算数（FLOP）表示模型的复杂性，而在垂直轴上，我们有 Imagenet 精度。圆的半径表示参数的数量。

从上图中可以看出，更多的参数并不总是能带来更好的准确性。我们将尝试对CNN进行更广泛的思考，看看为什么这是正确的。

如果您想从头开始了解卷积的工作原理，请推荐 Andrew 的 Ng 课程。

二、第一阶段：CNN架构的递进

2.1 术语解释

但首先，我们必须定义一些术语：

更宽的网络意味着卷积层中更多的特征图（过滤器）
更深的网络意味着更多的卷积层
具有更高分辨率的网络意味着它处理具有更大宽度和深度（空间分辨率）的输入图像。这样，生成的特征图将具有更高的空间维度。

体系结构缩放类型

架构扩展。来源：谭明兴，Quoc V. Le 2019

架构工程就是关于扩展的。我们将彻底使用这些术语，因此在继续之前请务必理解它们。

2.2 AlexNet： ImageNet Classification with Deep Convolutional Neural Networks （2012）

Alexnet [1] 由 5 个从 11x11 内核开始的卷积层组成。它是第一个采用最大池化层、ReLu 激活函数和 3 个巨大线性层的 dropout 的架构。该网络用于具有 1000 个可能类的图像分类，这在当时是疯狂的。现在，您可以在 35 行 PyTorch 代码中实现它：

class AlexNet(nn.Module):def __init__(self, num_classes: int = 1000) -> None:super(AlexNet, self).__init__()self.features = nn.Sequential(nn.Conv2d(3, 64, kernel_size=11, stride=4, padding=2),nn.ReLU(inplace=True),nn.MaxPool2d(kernel_size=3, stride=2),nn.Conv2d(64, 192, kernel_size=5, padding=2),nn.ReLU(inplace=True),nn.MaxPool2d(kernel_size=3, stride=2),nn.Conv2d(192, 384, kernel_size=3, padding=1),nn.ReLU(inplace=True),nn.Conv2d(384, 256, kernel_size=3, padding=1),nn.ReLU(inplace=True),nn.Conv2d(256, 256, kernel_size=3, padding=1),nn.ReLU(inplace=True),nn.MaxPool2d(kernel_size=3, stride=2),)self.avgpool = nn.AdaptiveAvgPool2d((6, 6))self.classifier = nn.Sequential(nn.Dropout(),nn.Linear(256 * 6 * 6, 4096),nn.ReLU(inplace=True),nn.Dropout(),nn.Linear(4096, 4096),nn.ReLU(inplace=True),nn.Linear(4096, num_classes),)def forward(self, x: torch.Tensor) -> torch.Tensor:x = self.features(x)x = self.avgpool(x)x = torch.flatten(x, 1)x = self.classifier(x)return x

这是第一个在 Imagenet 上成功训练的卷积模型，当时在 CUDA 中实现这样的模型要困难得多。Dropout 在巨大的线性变换中大量使用，以避免过度拟合。在 2015-2016 年自动微分出现之前，在 GPU 上实现反向传播需要几个月的时间。

2.3 VGG （2014）

著名的论文“用于大规模图像识别的非常深度卷积网络”[2]使深度一词病毒式传播。这是第一项提供不可否认证据的研究，证明简单地添加更多层可以提高性能。尽管如此，这一假设在一定程度上是正确的。为此，他们只使用3x3内核，而不是AlexNet。该架构使用 224 × 224 个 RGB 图像进行训练。

主要原理是一叠三3×3 转换层类似于单个7×7 层。甚至可能更好！因为它们在两者之间使用三个非线性激活（而不是一个），这使得函数更具鉴别性。

其次，这种设计减少了参数的数量。具体来说，您需要 $3*(3^2) C^2= 27 \times C^2$ 权重，与7×7 需要的转换层 $(1*72)C^2=49C^2$ 参数（增加 81%）。

直观地，它可以被视为对7×7 转换过滤器，限制它们具有 3x3 非线性分解。最后，这是规范化开始成为一个相当成问题的架构。

尽管如此，预训练的VGG仍然用于生成对抗网络中的特征匹配损失，以及神经风格转移和特征可视化。

以我的拙见，检查凸网相对于输入的特征非常有趣，如以下视频所示：

最后，在Alexnet旁边进行视觉比较：

斯坦福-讲座-VGG-vs-Alexnet

来源：斯坦福大学2017年深度学习讲座：CNN架构

2.4 InceptionNet/GoogleNet （2014）

在VGG之后，Christian Szegedy等人的论文“Go Deep with Convolutions”[3]是一个巨大的突破。

动机：增加深度（层数）并不是使模型变大的唯一方法。如何增加网络的深度和宽度，同时将计算保持在恒定的水平？

这一次的灵感来自人类视觉系统，其中信息在多个尺度上进行处理，然后在本地聚合[3]。如何在不发生记忆爆炸的情况下实现这一目标？

答案是1×1 卷积！主要目的是通过减少每个卷积块的输出通道来减小尺寸。然后我们可以处理具有不同内核大小的输入。只要填充输出，它就与输入相同。

要找到具有单步幅且无扩张的合适填充，请填充p和内核k被定义为 $out=in$ （输入和输出空间调光）：

$out=in+2*p-k+1$ ，这意味着 $p=(k-1)/2.$ .在 Keras 中，您只需指定 padding='same'。这样，我们可以连接与不同内核卷积的特征。

然后我们需要1×1 卷积层将特征“投影”到更少的通道，以赢得计算能力。有了这些额外的资源，我们可以添加更多的层。实际上，1×1 convs 的工作方式类似于低维嵌入。

有关 1x1 转换的快速概述，请推荐来自著名 Coursera 课程的以下视频：

这反过来又允许通过使用Inception模块不仅增加深度，而且增加著名的GoogleNet的宽度。核心构建块称为 inception 模块，如下所示：

初始模块

整个架构被称为GoogLeNet或InceptionNet。从本质上讲，作者声称他们试图用正常的密集层近似稀疏的凸网（如图所示）。

为什么？因为他们相信只有少数神经元是有效的。这符合Hebbian原则：“一起放电的神经元，连接在一起”。

此外它使用不同内核大小的卷积（5×55×5,3×33×3,1×11×1）以捕获多个比例下的细节.

通常，对于驻留在全局的信息，首选较大的内核，对于本地分发的信息，首选较小的内核。

此外1×1 卷积用于在计算成本高昂的卷积（3×3 和 5×5）之前计算约简。

InceptionNet/GoogLeNet架构由9个堆叠在一起的初始模块组成，其间有最大池化层（将空间维度减半）。它由 22 层组成（27 层带有池化层）。它在上次启动模块之后使用全局平均池化。

我写了一个非常简单的 Inception 块实现，可能会澄清一些事情：

import torch
import torch.nn as nnclass InceptionModule(nn.Module):def __init__(self, in_channels, out_channels):super(InceptionModule, self).__init__()relu = nn.ReLU()self.branch1 = nn.Sequential(nn.Conv2d(in_channels, out_channels=out_channels, kernel_size=1, stride=1, padding=0),relu)conv3_1 = nn.Conv2d(in_channels, out_channels=out_channels, kernel_size=1, stride=1, padding=0)conv3_3 = nn.Conv2d(out_channels, out_channels, kernel_size=3, stride=1, padding=1)self.branch2 = nn.Sequential(conv3_1, conv3_3,relu)conv5_1 = nn.Conv2d(in_channels, out_channels=out_channels, kernel_size=1, stride=1, padding=0)conv5_5 = nn.Conv2d(out_channels, out_channels, kernel_size=5, stride=1, padding=2)self.branch3 = nn.Sequential(conv5_1,conv5_5,relu)max_pool_1 = nn.MaxPool2d(kernel_size=3, stride=1, padding=1)conv_max_1 = nn.Conv2d(in_channels, out_channels=out_channels, kernel_size=1, stride=1, padding=0)self.branch4 = nn.Sequential(max_pool_1, conv_max_1,relu)def forward(self, input):output1 = self.branch1(input)output2 = self.branch2(input)output3 = self.branch3(input)output4 = self.branch4(input)return torch.cat([output1, output2, output3, output4], dim=1)model = InceptionModule(in_channels=3,out_channels=32)
inp = torch.rand(1,3,128,128)
print(model(inp).shape)
torch.Size([1, 128, 128, 128])

当然，您可以在激活函数之前添加规范化层。但由于归一化技术不是很成熟，作者引入了两个辅助分类器。原因是：梯度消失问题）。

2.5 Inception V2， V3 （2015）

后来，在论文“重新思考计算机视觉的初始体系结构”中，作者基于以下原则改进了Inception模型：

将 5x5 和 7x7（在 InceptionV3 中）卷积分别分解为两个和三个 3x3 顺序卷积。这提高了计算速度。这与 VGG 的原理相同。
他们使用了空间上可分的卷积。简单地说，一个 3x3 内核被分解为两个较小的内核：一个 1x3 和一个 3x1 内核，它们按顺序应用。
初始模块变得更宽（更多特征图）。
他们试图在网络的深度和宽度之间以平衡的方式分配计算预算。
他们添加了批量规范化。

inception 模型的更高版本是 InceptionV4 和 Inception-Resnet。

2.6 ResNet：用于图像识别的深度残差学习（2015）

所有预先描述的问题（例如梯度消失）都通过两个技巧得到解决：

批量归一化和
短跳跃连接

而不是 $H(x)=F(x)$ ，我们要求他们模型学习差异（残差） $H'(x)=F(x)+x$ ，这意味着 $H( x) - x=F(x)$ 将是剩余部分 [4]。

跳过连接

来源：斯坦福大学2017年深度学习讲座：CNN架构

通过这个简单但有效的模块，作者设计了从18层（Resnet-18）到150层（Resnet-150）的更深层次的架构。

对于最深的模型，他们采用了 1x1 卷积，如右图所示：

跳过连接-1-1-卷积

图片来源：何开明等人，2015年。来源：用于图像识别的深度残差学习

瓶颈层（1×1）层首先减小然后恢复通道尺寸，使3×3层具有较少的输入和输出通道。

总的来说，这里是整个架构的草图：

Animated GIF

有关更多详细信息，您可以在ResNets上观看Henry AI Labs的精彩视频：

你可以通过直接从Torchvision导入一堆ResNet来玩它们：

import torchvision
pretrained = True# A lot of choices :P
model = torchvision.models.resnet18(pretrained)
model = torchvision.models.resnet34(pretrained)
model = torchvision.models.resnet50(pretrained)
model = torchvision.models.resnet101(pretrained)
model = torchvision.models.resnet152(pretrained)
model = torchvision.models.wide_resnet50_2(pretrained)
model = torchvision.models.wide_resnet101_2(pretrained)

n.models.wide_resnet101_2(pretrained)

试试吧！