深度學(xué)習(xí)之四大經(jīng)典CNN技術(shù)淺析 | 雷鋒網(wǎng)公開課

雷鋒網(wǎng)按：2月28日下午3點(diǎn)，《TensorFlow實(shí)戰(zhàn)》作者黃文堅(jiān)做客【硬創(chuàng)公開課】，為我們講解了關(guān)于四大經(jīng)典CNN網(wǎng)絡(luò)：AlexNet、VGGNet、Google?Inception?Net和ResNet的基本原理。本次公開課內(nèi)容主要節(jié)選自作者《TensorFlow實(shí)戰(zhàn)》第6章，關(guān)于這四大CNN網(wǎng)絡(luò)實(shí)現(xiàn)方式可參考作者新書《TensorFlow實(shí)戰(zhàn)》，其中有這幾種網(wǎng)絡(luò)的詳細(xì)實(shí)現(xiàn)步驟。

嘉賓介紹

黃文堅(jiān)，PPmoney 大數(shù)據(jù)算法總監(jiān)，谷歌 TensorFlow 貢獻(xiàn)者，暢銷書《 TensorFlow 實(shí)戰(zhàn)》作者（該書獲得到了谷歌 TensorFlow 團(tuán)隊(duì)的官方推薦）。前明略數(shù)據(jù)技術(shù)合伙人，領(lǐng)導(dǎo)了對諸多大型銀行、保險(xiǎn)公司、基金的數(shù)據(jù)挖掘項(xiàng)目，包括建立金融風(fēng)控模型、新聞輿情分析、保險(xiǎn)復(fù)購預(yù)測等。曾就職于阿里巴巴搜索引擎算法團(tuán)隊(duì)，負(fù)責(zé)天貓個性化搜索系統(tǒng)。曾參加阿里巴巴大數(shù)據(jù)推薦算法大賽，于 7000 多支隊(duì)伍中獲得前 10 名。本科、研究生就讀于香港科技大學(xué)，曾在頂級會議和期刊 SIGMOBILE MobiCom、IEEE Transactions on Image Processing 發(fā)表論文，研究成果獲美國計(jì)算機(jī)協(xié)會移動計(jì)算大會（MobiCom）最佳移動應(yīng)用技術(shù)冠軍，并獲得兩項(xiàng)美國專利和一項(xiàng)中國專利。

以下為本次公開課主要內(nèi)容。

大家好，我這次將主要介紹四種經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)，它們分別是：

AlexNet

VGGNet

Google?Inception?Net

ResNet

這4種網(wǎng)絡(luò)依照出現(xiàn)的先后順序排列，深度和復(fù)雜度也依次遞進(jìn)。它們分別獲得了ILSVRC（ImageNet?Large?Scale?Visual?Recognition?Challenge）比賽分類項(xiàng)目的2012年冠軍（top-5錯誤率16.4%，使用額外數(shù)據(jù)可達(dá)到15.3%，8層神經(jīng)網(wǎng)絡(luò)）、2014年亞軍（top-5錯誤率7.3%，19層神經(jīng)網(wǎng)絡(luò)），2014年冠軍（top-5錯誤率6.7%，22層神經(jīng)網(wǎng)絡(luò)）和2015年的冠軍（top-5錯誤率3.57%，152層神經(jīng)網(wǎng)絡(luò)）。

這4個經(jīng)典的網(wǎng)絡(luò)都在各自的年代率先使用了很多先進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，對卷積網(wǎng)絡(luò)乃至深度學(xué)習(xí)有非常大的推動作用，也象征了卷積神經(jīng)網(wǎng)絡(luò)在2012—2015這四年間的快速發(fā)展。如圖1所示，ILSVRC的top-5錯誤率在最近幾年取得重大突破，而主要的突破點(diǎn)都是在深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)，成績的大幅提升幾乎都伴隨著卷積神經(jīng)網(wǎng)絡(luò)的層數(shù)加深。

而傳統(tǒng)機(jī)器學(xué)習(xí)算法目前在ILSVRC上已經(jīng)難以追上深度學(xué)習(xí)的步伐了，以至于逐漸被稱為淺層學(xué)習(xí)（Shallow?Learning）。目前在ImageNet數(shù)據(jù)集上人眼能達(dá)到的錯誤率大概在5.1%，這還是經(jīng)過了大量訓(xùn)練的專家能達(dá)到的成績，一般人要區(qū)分1000種類型的圖片是比較困難的。而ILSVRC?2015年冠軍——152層ResNet的成績達(dá)到錯誤率3.57%，已經(jīng)超過了人眼，這說明卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)基本解決了ImageNet數(shù)據(jù)集上的圖片分類問題。

圖1??歷屆ILSVRC比賽代表性模型的成績及其神經(jīng)網(wǎng)絡(luò)深度

前面提到的計(jì)算機(jī)視覺比賽ILSVRC使用的數(shù)據(jù)都來自ImageNet，如圖2所示。ImageNet項(xiàng)目于2007年由斯坦福大學(xué)華人教授李飛飛創(chuàng)辦，目標(biāo)是收集大量帶有標(biāo)注信息的圖片數(shù)據(jù)供計(jì)算機(jī)視覺模型訓(xùn)練。ImageNet擁有1500萬張標(biāo)注過的高清圖片，總共擁有22000類，其中約有100萬張標(biāo)注了圖片中主要物體的定位邊框。ImageNet項(xiàng)目最早的靈感來自于人類通過視覺學(xué)習(xí)世界的方式，如果假定兒童的眼睛是生物照相機(jī)，他們平均每200ms就拍照一次（眼球轉(zhuǎn)動一次的平均時間），那么3歲大時孩子就已經(jīng)看過了上億張真實(shí)世界的照片，可以算得上是一個非常大的數(shù)據(jù)集。ImageNet項(xiàng)目下載了互聯(lián)網(wǎng)上近10億張圖片，使用亞馬遜的土耳其機(jī)器人平臺實(shí)現(xiàn)眾包的標(biāo)注過程，有來自世界上167個國家的近5萬名工作者幫忙一起篩選、標(biāo)注。

圖2??ImageNet數(shù)據(jù)集圖片示例

每年度的ILSVRC比賽數(shù)據(jù)集中大概擁有120萬張圖片，以及1000類的標(biāo)注，是ImageNet全部數(shù)據(jù)的一個子集。比賽一般采用top-5和top-1分類錯誤率作為模型性能的評測指標(biāo)，圖3所示為AlexNet識別ILSVRC數(shù)據(jù)集中圖片的情況，每張圖片下面是分類預(yù)測得分最高的5個分類及其分值。

圖3??AlexNet識別ILSVRC數(shù)據(jù)集的top-5分類

AlexNet?

2012年，Hinton的學(xué)生Alex?Krizhevsky提出了深度卷積神經(jīng)網(wǎng)絡(luò)模型AlexNet，它可以算是LeNet的一種更深更寬的版本。AlexNet中包含了幾個比較新的技術(shù)點(diǎn)，也首次在CNN中成功應(yīng)用了ReLU、Dropout和LRN等Trick。同時AlexNet也使用了GPU進(jìn)行運(yùn)算加速，作者開源了他們在GPU上訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)的CUDA代碼。AlexNet包含了6億3000萬個連接，6000萬個參數(shù)和65萬個神經(jīng)元，擁有5個卷積層，其中3個卷積層后面連接了最大池化層，最后還有3個全連接層。AlexNet以顯著的優(yōu)勢贏得了競爭激烈的ILSVRC?2012比賽，top-5的錯誤率降低至了16.4%，相比第二名的成績26.2%錯誤率有了巨大的提升。AlexNet可以說是神經(jīng)網(wǎng)絡(luò)在低谷期后的第一次發(fā)聲，確立了深度學(xué)習(xí)（深度卷積網(wǎng)絡(luò)）在計(jì)算機(jī)視覺的統(tǒng)治地位，同時也推動了深度學(xué)習(xí)在語音識別、自然語言處理、強(qiáng)化學(xué)習(xí)等領(lǐng)域的拓展。

AlexNet將LeNet的思想發(fā)揚(yáng)光大，把CNN的基本原理應(yīng)用到了很深很寬的網(wǎng)絡(luò)中。AlexNet主要使用到的新技術(shù)點(diǎn)如下。

（1）成功使用ReLU作為CNN的激活函數(shù)，并驗(yàn)證其效果在較深的網(wǎng)絡(luò)超過了Sigmoid，成功解決了Sigmoid在網(wǎng)絡(luò)較深時的梯度彌散問題。雖然ReLU激活函數(shù)在很久之前就被提出了，但是直到AlexNet的出現(xiàn)才將其發(fā)揚(yáng)光大。

（2）訓(xùn)練時使用Dropout隨機(jī)忽略一部分神經(jīng)元，以避免模型過擬合。Dropout雖有單獨(dú)的論文論述，但是AlexNet將其實(shí)用化，通過實(shí)踐證實(shí)了它的效果。在AlexNet中主要是最后幾個全連接層使用了Dropout。

（3）在CNN中使用重疊的最大池化。此前CNN中普遍使用平均池化，AlexNet全部使用最大池化，避免平均池化的模糊化效果。并且AlexNet中提出讓步長比池化核的尺寸小，這樣池化層的輸出之間會有重疊和覆蓋，提升了特征的豐富性。

（4）提出了LRN層，對局部神經(jīng)元的活動創(chuàng)建競爭機(jī)制，使得其中響應(yīng)比較大的值變得相對更大，并抑制其他反饋較小的神經(jīng)元，增強(qiáng)了模型的泛化能力。

（5）使用CUDA加速深度卷積網(wǎng)絡(luò)的訓(xùn)練，利用GPU強(qiáng)大的并行計(jì)算能力，處理神經(jīng)網(wǎng)絡(luò)訓(xùn)練時大量的矩陣運(yùn)算。AlexNet使用了兩塊GTX?580?GPU進(jìn)行訓(xùn)練，單個GTX?580只有3GB顯存，這限制了可訓(xùn)練的網(wǎng)絡(luò)的最大規(guī)模。因此作者將AlexNet分布在兩個GPU上，在每個GPU的顯存中儲存一半的神經(jīng)元的參數(shù)。因?yàn)镚PU之間通信方便，可以互相訪問顯存，而不需要通過主機(jī)內(nèi)存，所以同時使用多塊GPU也是非常高效的。同時，AlexNet的設(shè)計(jì)讓GPU之間的通信只在網(wǎng)絡(luò)的某些層進(jìn)行，控制了通信的性能損耗。?

（6）數(shù)據(jù)增強(qiáng)，隨機(jī)地從256′256的原始圖像中截取224′224大小的區(qū)域（以及水平翻轉(zhuǎn)的鏡像），相當(dāng)于增加了(256-224)2′2=2048倍的數(shù)據(jù)量。如果沒有數(shù)據(jù)增強(qiáng)，僅靠原始的數(shù)據(jù)量，參數(shù)眾多的CNN會陷入過擬合中，使用了數(shù)據(jù)增強(qiáng)后可以大大減輕過擬合，提升泛化能力。進(jìn)行預(yù)測時，則是取圖片的四個角加中間共5個位置，并進(jìn)行左右翻轉(zhuǎn)，一共獲得10張圖片，對他們進(jìn)行預(yù)測并對10次結(jié)果求均值。同時，AlexNet論文中提到了會對圖像的RGB數(shù)據(jù)進(jìn)行PCA處理，并對主成分做一個標(biāo)準(zhǔn)差為0.1的高斯擾動，增加一些噪聲，這個Trick可以讓錯誤率再下降1%。

整個AlexNet有8個需要訓(xùn)練參數(shù)的層（不包括池化層和LRN層），前5層為卷積層，后3層為全連接層，如圖4所示。AlexNet最后一層是有1000類輸出的Softmax層用作分類。?LRN層出現(xiàn)在第1個及第2個卷積層后，而最大池化層出現(xiàn)在兩個LRN層及最后一個卷積層后。ReLU激活函數(shù)則應(yīng)用在這8層每一層的后面。因?yàn)锳lexNet訓(xùn)練時使用了兩塊GPU，因此這個結(jié)構(gòu)圖中不少組件都被拆為了兩部分。現(xiàn)在我們GPU的顯存可以放下全部模型參數(shù)，因此只考慮一塊GPU的情況即可。

圖4??AlexNet的網(wǎng)絡(luò)結(jié)構(gòu)

AlexNet每層的超參數(shù)如圖5所示。其中輸入的圖片尺寸為224′224，第一個卷積層使用了較大的卷積核尺寸11′11，步長為4，有96個卷積核；緊接著一個LRN層；然后是一個3′3的最大池化層，步長為2。這之后的卷積核尺寸都比較小，都是5′5或者3′3的大小，并且步長都為1，即會掃描全圖所有像素；而最大池化層依然保持為3′3，并且步長為2。我們可以發(fā)現(xiàn)一個比較有意思的現(xiàn)象，在前幾個卷積層，雖然計(jì)算量很大，但參數(shù)量很小，都在1M左右甚至更小，只占AlexNet總參數(shù)量的很小一部分。這就是卷積層有用的地方，可以通過較小的參數(shù)量提取有效的特征。而如果前幾層直接使用全連接層，那么參數(shù)量和計(jì)算量將成為天文數(shù)字。雖然每一個卷積層占整個網(wǎng)絡(luò)的參數(shù)量的1%都不到，但是如果去掉任何一個卷積層，都會使網(wǎng)絡(luò)的分類性能大幅地下降。

圖5??AlexNet每層的超參數(shù)及參數(shù)數(shù)量

 VGGNet?

VGGNet是牛津大學(xué)計(jì)算機(jī)視覺組（Visual?Geometry?Group）和Google?DeepMind公司的研究員一起研發(fā)的的深度卷積神經(jīng)網(wǎng)絡(luò)。VGGNet探索了卷積神經(jīng)網(wǎng)絡(luò)的深度與其性能之間的關(guān)系，通過反復(fù)堆疊3′3的小型卷積核和2′2的最大池化層，VGGNet成功地構(gòu)筑了16~19層深的卷積神經(jīng)網(wǎng)絡(luò)。VGGNet相比之前state-of-the-art的網(wǎng)絡(luò)結(jié)構(gòu)，錯誤率大幅下降，并取得了ILSVRC?2014比賽分類項(xiàng)目的第2名和定位項(xiàng)目的第1名。同時VGGNet的拓展性很強(qiáng)，遷移到其他圖片數(shù)據(jù)上的泛化性非常好。VGGNet的結(jié)構(gòu)非常簡潔，整個網(wǎng)絡(luò)都使用了同樣大小的卷積核尺寸（3′3）和最大池化尺寸（2′2）。到目前為止，VGGNet依然經(jīng)常被用來提取圖像特征。VGGNet訓(xùn)練后的模型參數(shù)在其官方網(wǎng)站上開源了，可用來在domain?specific的圖像分類任務(wù)上進(jìn)行再訓(xùn)練（相當(dāng)于提供了非常好的初始化權(quán)重），因此被用在了很多地方。

VGGNet論文中全部使用了3′3的卷積核和2′2的池化核，通過不斷加深網(wǎng)絡(luò)結(jié)構(gòu)來提升性能。圖6所示為VGGNet各級別的網(wǎng)絡(luò)結(jié)構(gòu)圖，圖7所示為每一級別的參數(shù)量，從11層的網(wǎng)絡(luò)一直到19層的網(wǎng)絡(luò)都有詳盡的性能測試。雖然從A到E每一級網(wǎng)絡(luò)逐漸變深，但是網(wǎng)絡(luò)的參數(shù)量并沒有增長很多，這是因?yàn)閰?shù)量主要都消耗在最后3個全連接層。前面的卷積部分雖然很深，但是消耗的參數(shù)量不大，不過訓(xùn)練比較耗時的部分依然是卷積，因其計(jì)算量比較大。這其中的D、E也就是我們常說的VGGNet-16和VGGNet-19。C很有意思，相比B多了幾個1′1的卷積層，1′1卷積的意義主要在于線性變換，而輸入通道數(shù)和輸出通道數(shù)不變，沒有發(fā)生降維。

圖6??VGGNet各級別網(wǎng)絡(luò)結(jié)構(gòu)圖

圖7??VGGNet各級別網(wǎng)絡(luò)參數(shù)量（單位為百萬）

VGGNet擁有5段卷積，每一段內(nèi)有2~3個卷積層，同時每段尾部會連接一個最大池化層用來縮小圖片尺寸。每段內(nèi)的卷積核數(shù)量一樣，越靠后的段的卷積核數(shù)量越多：64?–?128?–?256?–?512?–?512。其中經(jīng)常出現(xiàn)多個完全一樣的3′3的卷積層堆疊在一起的情況，這其實(shí)是非常有用的設(shè)計(jì)。如圖8所示，兩個3′3的卷積層串聯(lián)相當(dāng)于1個5′5的卷積層，即一個像素會跟周圍5′5的像素產(chǎn)生關(guān)聯(lián)，可以說感受野大小為5′5。而3個3′3的卷積層串聯(lián)的效果則相當(dāng)于1個7′7的卷積層。除此之外，3個串聯(lián)的3′3的卷積層，擁有比1個7′7的卷積層更少的參數(shù)量，只有后者的。最重要的是，3個3′3的卷積層擁有比1個7′7的卷積層更多的非線性變換（前者可以使用三次ReLU激活函數(shù)，而后者只有一次），使得CNN對特征的學(xué)習(xí)能力更強(qiáng)。

圖8??兩個串聯(lián)3′3的卷積層功能類似于一個5′5的卷積層

VGGNet在訓(xùn)練時有一個小技巧，先訓(xùn)練級別A的簡單網(wǎng)絡(luò)，再復(fù)用A網(wǎng)絡(luò)的權(quán)重來初始化后面的幾個復(fù)雜模型，這樣訓(xùn)練收斂的速度更快。在預(yù)測時，VGG采用Multi-Scale的方法，將圖像scale到一個尺寸Q，并將圖片輸入卷積網(wǎng)絡(luò)計(jì)算。然后在最后一個卷積層使用滑窗的方式進(jìn)行分類預(yù)測，將不同窗口的分類結(jié)果平均，再將不同尺寸Q的結(jié)果平均得到最后結(jié)果，這樣可提高圖片數(shù)據(jù)的利用率并提升預(yù)測準(zhǔn)確率。同時在訓(xùn)練中，VGGNet還使用了Multi-Scale的方法做數(shù)據(jù)增強(qiáng)，將原始圖像縮放到不同尺寸S，然后再隨機(jī)裁切224′224的圖片，這樣能增加很多數(shù)據(jù)量，對于防止模型過擬合有很不錯的效果。實(shí)踐中，作者令S在[256,512]這個區(qū)間內(nèi)取值，使用Multi-Scale獲得多個版本的數(shù)據(jù)，并將多個版本的數(shù)據(jù)合在一起進(jìn)行訓(xùn)練。圖9所示為VGGNet使用Multi-Scale訓(xùn)練時得到的結(jié)果，可以看到D和E都可以達(dá)到7.5%的錯誤率。最終提交到ILSVRC?2014的版本是僅使用Single-Scale的6個不同等級的網(wǎng)絡(luò)與Multi-Scale的D網(wǎng)絡(luò)的融合，達(dá)到了7.3%的錯誤率。不過比賽結(jié)束后作者發(fā)現(xiàn)只融合Multi-Scale的D和E可以達(dá)到更好的效果，錯誤率達(dá)到7.0%，再使用其他優(yōu)化策略最終錯誤率可達(dá)到6.8%左右，非常接近同年的冠軍Google?Inceptin?Net。同時，作者在對比各級網(wǎng)絡(luò)時總結(jié)出了以下幾個觀點(diǎn)。

（1）LRN層作用不大。

（2）越深的網(wǎng)絡(luò)效果越好。

（3）1′1的卷積也是很有效的，但是沒有3′3的卷積好，大一些的卷積核可以學(xué)習(xí)更大的空間特征。

圖9??各級別VGGNet在使用Multi-Scale訓(xùn)練時的top-5錯誤率

 InceptionNet?

Google?Inception?Net首次出現(xiàn)在ILSVRC?2014的比賽中（和VGGNet同年），就以較大優(yōu)勢取得了第一名。那屆比賽中的Inception?Net通常被稱為Inception?V1，它最大的特點(diǎn)是控制了計(jì)算量和參數(shù)量的同時，獲得了非常好的分類性能——top-5錯誤率6.67%，只有AlexNet的一半不到。Inception?V1有22層深，比AlexNet的8層或者VGGNet的19層還要更深。但其計(jì)算量只有15億次浮點(diǎn)運(yùn)算，同時只有500萬的參數(shù)量，僅為AlexNet參數(shù)量（6000萬）的1/12，卻可以達(dá)到遠(yuǎn)勝于AlexNet的準(zhǔn)確率，可以說是非常優(yōu)秀并且非常實(shí)用的模型。Inception?V1降低參數(shù)量的目的有兩點(diǎn)，第一，參數(shù)越多模型越龐大，需要供模型學(xué)習(xí)的數(shù)據(jù)量就越大，而目前高質(zhì)量的數(shù)據(jù)非常昂貴；第二，參數(shù)越多，耗費(fèi)的計(jì)算資源也會更大。Inception?V1參數(shù)少但效果好的原因除了模型層數(shù)更深、表達(dá)能力更強(qiáng)外，還有兩點(diǎn)：一是去除了最后的全連接層，用全局平均池化層（即將圖片尺寸變?yōu)?′1）來取代它。全連接層幾乎占據(jù)了AlexNet或VGGNet中90%的參數(shù)量，而且會引起過擬合，去除全連接層后模型訓(xùn)練更快并且減輕了過擬合。用全局平均池化層取代全連接層的做法借鑒了Network?In?Network（以下簡稱NIN）論文。二是Inception?V1中精心設(shè)計(jì)的Inception?Module提高了參數(shù)的利用效率，其結(jié)構(gòu)如圖10所示。這一部分也借鑒了NIN的思想，形象的解釋就是Inception?Module本身如同大網(wǎng)絡(luò)中的一個小網(wǎng)絡(luò)，其結(jié)構(gòu)可以反復(fù)堆疊在一起形成大網(wǎng)絡(luò)。不過Inception?V1比NIN更進(jìn)一步的是增加了分支網(wǎng)絡(luò)，NIN則主要是級聯(lián)的卷積層和MLPConv層。一般來說卷積層要提升表達(dá)能力，主要依靠增加輸出通道數(shù)，但副作用是計(jì)算量增大和過擬合。每一個輸出通道對應(yīng)一個濾波器，同一個濾波器共享參數(shù)，只能提取一類特征，因此一個輸出通道只能做一種特征處理。而NIN中的MLPConv則擁有更強(qiáng)大的能力，允許在輸出通道之間組合信息，因此效果明顯。可以說，MLPConv基本等效于普通卷積層后再連接1′1的卷積和ReLU激活函數(shù)。

我們再來看Inception?Module的基本結(jié)構(gòu)，其中有4個分支：第一個分支對輸入進(jìn)行1′1的卷積，這其實(shí)也是NIN中提出的一個重要結(jié)構(gòu)。1′1的卷積是一個非常優(yōu)秀的結(jié)構(gòu)，它可以跨通道組織信息，提高網(wǎng)絡(luò)的表達(dá)能力，同時可以對輸出通道升維和降維。可以看到Inception?Module的4個分支都用到了1′1卷積，來進(jìn)行低成本（計(jì)算量比3′3小很多）的跨通道的特征變換。第二個分支先使用了1′1卷積，然后連接3′3卷積，相當(dāng)于進(jìn)行了兩次特征變換。第三個分支類似，先是1′1的卷積，然后連接5′5卷積。最后一個分支則是3′3最大池化后直接使用1′1卷積。我們可以發(fā)現(xiàn)，有的分支只使用1′1卷積，有的分支使用了其他尺寸的卷積時也會再使用1′1卷積，這是因?yàn)?′1卷積的性價(jià)比很高，用很小的計(jì)算量就能增加一層特征變換和非線性化。Inception?Module的4個分支在最后通過一個聚合操作合并（在輸出通道數(shù)這個維度上聚合）。Inception?Module中包含了3種不同尺寸的卷積和1個最大池化，增加了網(wǎng)絡(luò)對不同尺度的適應(yīng)性，這一部分和Multi-Scale的思想類似。早期計(jì)算機(jī)視覺的研究中，受靈長類神經(jīng)視覺系統(tǒng)的啟發(fā)，Serre使用不同尺寸的Gabor濾波器處理不同尺寸的圖片，Inception?V1借鑒了這種思想。Inception?V1的論文中指出，Inception?Module可以讓網(wǎng)絡(luò)的深度和寬度高效率地?cái)U(kuò)充，提升準(zhǔn)確率且不致于過擬合。

圖10??Inception?Module結(jié)構(gòu)圖

人腦神經(jīng)元的連接是稀疏的，因此研究者認(rèn)為大型神經(jīng)網(wǎng)絡(luò)的合理的連接方式應(yīng)該也是稀疏的。稀疏結(jié)構(gòu)是非常適合神經(jīng)網(wǎng)絡(luò)的一種結(jié)構(gòu)，尤其是對非常大型、非常深的神經(jīng)網(wǎng)絡(luò)，可以減輕過擬合并降低計(jì)算量，例如卷積神經(jīng)網(wǎng)絡(luò)就是稀疏的連接。Inception?Net的主要目標(biāo)就是找到最優(yōu)的稀疏結(jié)構(gòu)單元（即Inception?Module），論文中提到其稀疏結(jié)構(gòu)基于Hebbian原理，這里簡單解釋一下Hebbian原理：神經(jīng)反射活動的持續(xù)與重復(fù)會導(dǎo)致神經(jīng)元連接穩(wěn)定性的持久提升，當(dāng)兩個神經(jīng)元細(xì)胞A和B距離很近，并且A參與了對B重復(fù)、持續(xù)的興奮，那么某些代謝變化會導(dǎo)致A將作為能使B興奮的細(xì)胞。總結(jié)一下即“一起發(fā)射的神經(jīng)元會連在一起”（Cells?that?fire?together,?wire?together），學(xué)習(xí)過程中的刺激會使神經(jīng)元間的突觸強(qiáng)度增加。受Hebbian原理啟發(fā)，另一篇文章Provable?Bounds?for?Learning?Some?Deep?Representations提出，如果數(shù)據(jù)集的概率分布可以被一個很大很稀疏的神經(jīng)網(wǎng)絡(luò)所表達(dá)，那么構(gòu)筑這個網(wǎng)絡(luò)的最佳方法是逐層構(gòu)筑網(wǎng)絡(luò)：將上一層高度相關(guān)（correlated）的節(jié)點(diǎn)聚類，并將聚類出來的每一個小簇（cluster）連接到一起，如圖11所示。這個相關(guān)性高的節(jié)點(diǎn)應(yīng)該被連接在一起的結(jié)論，即是從神經(jīng)網(wǎng)絡(luò)的角度對Hebbian原理有效性的證明。

圖11??將高度相關(guān)的節(jié)點(diǎn)連接在一起，形成稀疏網(wǎng)絡(luò)

因此一個“好”的稀疏結(jié)構(gòu)，應(yīng)該是符合Hebbian原理的，我們應(yīng)該把相關(guān)性高的一簇神經(jīng)元節(jié)點(diǎn)連接在一起。在普通的數(shù)據(jù)集中，這可能需要對神經(jīng)元節(jié)點(diǎn)聚類，但是在圖片數(shù)據(jù)中，天然的就是臨近區(qū)域的數(shù)據(jù)相關(guān)性高，因此相鄰的像素點(diǎn)被卷積操作連接在一起。而我們可能有多個卷積核，在同一空間位置但在不同通道的卷積核的輸出結(jié)果相關(guān)性極高。因此，一個1′1的卷積就可以很自然地把這些相關(guān)性很高的、在同一個空間位置但是不同通道的特征連接在一起，這就是為什么1′1卷積這么頻繁地被應(yīng)用到Inception?Net中的原因。1′1卷積所連接的節(jié)點(diǎn)的相關(guān)性是最高的，而稍微大一點(diǎn)尺寸的卷積，比如3′3、5′5的卷積所連接的節(jié)點(diǎn)相關(guān)性也很高，因此也可以適當(dāng)?shù)厥褂靡恍┐蟪叽绲木矸e，增加多樣性（diversity）。最后Inception?Module通過4個分支中不同尺寸的1′1、3′3、5′5等小型卷積將相關(guān)性很高的節(jié)點(diǎn)連接在一起，就完成了其設(shè)計(jì)初衷，構(gòu)建出了很高效的符合Hebbian原理的稀疏結(jié)構(gòu)。

在Inception?Module中，通常1′1卷積的比例（輸出通道數(shù)占比）最高，3′3卷積和5′5卷積稍低。而在整個網(wǎng)絡(luò)中，會有多個堆疊的Inception?Module，我們希望靠后的Inception?Module可以捕捉更高階的抽象特征，因此靠后的Inception?Module的卷積的空間集中度應(yīng)該逐漸降低，這樣可以捕獲更大面積的特征。因此，越靠后的Inception?Module中，3′3和5′5這兩個大面積的卷積核的占比（輸出通道數(shù)）應(yīng)該更多。

Inception?Net有22層深，除了最后一層的輸出，其中間節(jié)點(diǎn)的分類效果也很好。因此在Inception?Net中，還使用到了輔助分類節(jié)點(diǎn)（auxiliary?classifiers），即將中間某一層的輸出用作分類，并按一個較小的權(quán)重（0.3）加到最終分類結(jié)果中。這樣相當(dāng)于做了模型融合，同時給網(wǎng)絡(luò)增加了反向傳播的梯度信號，也提供了額外的正則化，對于整個Inception?Net的訓(xùn)練很有裨益。

當(dāng)年的Inception?V1還是跑在TensorFlow的前輩DistBelief上的，并且只運(yùn)行在CPU上。當(dāng)時使用了異步的SGD訓(xùn)練，學(xué)習(xí)速率每迭代8個epoch降低4%。同時，Inception?V1也使用了Multi-Scale、Multi-Crop等數(shù)據(jù)增強(qiáng)方法，并在不同的采樣數(shù)據(jù)上訓(xùn)練了7個模型進(jìn)行融合，得到了最后的ILSVRC?2014的比賽成績——top-5錯誤率6.67%。

同時，Google?Inception?Net還是一個大家族，包括：

? 2014年9月的論文Going?Deeper?with?Convolutions提出的Inception?V1（top-5錯誤率6.67%）。

? 2015年2月的論文Batch?Normalization:?Accelerating?Deep?Network?Training?by?Reducing?Internal?Covariate提出的Inception?V2（top-5錯誤率4.8%）。

? 2015年12月的論文Rethinking?the?Inception?Architecture?for?Computer?Vision提出的Inception?V3（top-5錯誤率3.5%）。

? 2016年2月的論文Inception-v4,?Inception-ResNet?and?the?Impact?of?Residual?Connections?on?Learning提出的Inception?V4（top-5錯誤率3.08%）。

Inception?V2學(xué)習(xí)了VGGNet，用兩個3′3的卷積代替5′5的大卷積（用以降低參數(shù)量并減輕過擬合），還提出了著名的Batch?Normalization（以下簡稱BN）方法。BN是一個非常有效的正則化方法，可以讓大型卷積網(wǎng)絡(luò)的訓(xùn)練速度加快很多倍，同時收斂后的分類準(zhǔn)確率也可以得到大幅提高。BN在用于神經(jīng)網(wǎng)絡(luò)某層時，會對每一個mini-batch數(shù)據(jù)的內(nèi)部進(jìn)行標(biāo)準(zhǔn)化（normalization）處理，使輸出規(guī)范化到N(0,1)的正態(tài)分布，減少了Internal?Covariate?Shift（內(nèi)部神經(jīng)元分布的改變）。BN的論文指出，傳統(tǒng)的深度神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時，每一層的輸入的分布都在變化，導(dǎo)致訓(xùn)練變得困難，我們只能使用一個很小的學(xué)習(xí)速率解決這個問題。而對每一層使用BN之后，我們就可以有效地解決這個問題，學(xué)習(xí)速率可以增大很多倍，達(dá)到之前的準(zhǔn)確率所需要的迭代次數(shù)只有1/14，訓(xùn)練時間大大縮短。而達(dá)到之前的準(zhǔn)確率后，可以繼續(xù)訓(xùn)練，并最終取得遠(yuǎn)超于Inception?V1模型的性能——top-5錯誤率4.8%，已經(jīng)優(yōu)于人眼水平。因?yàn)锽N某種意義上還起到了正則化的作用，所以可以減少或者取消Dropout，簡化網(wǎng)絡(luò)結(jié)構(gòu)。

當(dāng)然，只是單純地使用BN獲得的增益還不明顯，還需要一些相應(yīng)的調(diào)整：增大學(xué)習(xí)速率并加快學(xué)習(xí)衰減速度以適用BN規(guī)范化后的數(shù)據(jù)；去除Dropout并減輕L2正則（因BN已起到正則化的作用）；去除LRN；更徹底地對訓(xùn)練樣本進(jìn)行shuffle；減少數(shù)據(jù)增強(qiáng)過程中對數(shù)據(jù)的光學(xué)畸變（因?yàn)锽N訓(xùn)練更快，每個樣本被訓(xùn)練的次數(shù)更少，因此更真實(shí)的樣本對訓(xùn)練更有幫助）。在使用了這些措施后，Inception?V2在訓(xùn)練達(dá)到Inception?V1的準(zhǔn)確率時快了14倍，并且模型在收斂時的準(zhǔn)確率上限更高。

而Inception?V3網(wǎng)絡(luò)則主要有兩方面的改造：一是引入了Factorization?into?small?convolutions的思想，將一個較大的二維卷積拆成兩個較小的一維卷積，比如將7′7卷積拆成1′7卷積和7′1卷積，或者將3′3卷積拆成1′3卷積和3′1卷積，如圖12所示。一方面節(jié)約了大量參數(shù)，加速運(yùn)算并減輕了過擬合（比將7′7卷積拆成1′7卷積和7′1卷積，比拆成3個3′3卷積更節(jié)約參數(shù)），同時增加了一層非線性擴(kuò)展模型表達(dá)能力。論文中指出，這種非對稱的卷積結(jié)構(gòu)拆分，其結(jié)果比對稱地拆為幾個相同的小卷積核效果更明顯，可以處理更多、更豐富的空間特征，增加特征多樣性。

圖 12??將一個3′3卷積拆成1′3卷積和3′1卷積

另一方面，Inception?V3優(yōu)化了Inception?Module的結(jié)構(gòu)，現(xiàn)在Inception?Module有35′35、17′17和8′8三種不同結(jié)構(gòu)，如圖13所示。這些Inception?Module只在網(wǎng)絡(luò)的后部出現(xiàn)，前部還是普通的卷積層。并且Inception?V3除了在Inception?Module中使用分支，還在分支中使用了分支（8′8的結(jié)構(gòu)中），可以說是Network?In?Network?In?Network。

圖13??Inception?V3中三種結(jié)構(gòu)的Inception?Module

而Inception?V4相比V3主要是結(jié)合了微軟的ResNet，而ResNet將在6.4節(jié)單獨(dú)講解，這里不多做贅述。因此本節(jié)將實(shí)現(xiàn)的是Inception?V3，其整個網(wǎng)絡(luò)結(jié)構(gòu)如表1所示。由于Google?Inception?Net?V3相對比較復(fù)雜，所以這里使用tf.contrib.slim輔助設(shè)計(jì)這個網(wǎng)絡(luò)。contrib.slim中的一些功能和組件可以大大減少設(shè)計(jì)Inception?Net的代碼量，我們只需要少量代碼即可構(gòu)建好有42層深的Inception?V3。

表1??Inception?V3網(wǎng)絡(luò)結(jié)構(gòu)

ResNet?

ResNet（Residual?Neural?Network）由微軟研究院的Kaiming?He等4名華人提出，通過使用Residual?Unit成功訓(xùn)練152層深的神經(jīng)網(wǎng)絡(luò)，在ILSVRC?2015比賽中獲得了冠軍，取得3.57%的top-5錯誤率，同時參數(shù)量卻比VGGNet低，效果非常突出。ResNet的結(jié)構(gòu)可以極快地加速超深神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，模型的準(zhǔn)確率也有非常大的提升。6.3節(jié)我們講解并實(shí)現(xiàn)了Inception?V3，而Inception?V4則是將Inception?Module和ResNet相結(jié)合。可以看到ResNet是一個推廣性非常好的網(wǎng)絡(luò)結(jié)構(gòu)，甚至可以直接應(yīng)用到Inception?Net中。本節(jié)就講解ResNet的基本原理，以及如何用TensorFlow來實(shí)現(xiàn)它。

在ResNet之前，瑞士教授Schmidhuber提出了Highway?Network，原理與ResNet很相似。這位Schmidhuber教授同時也是LSTM網(wǎng)絡(luò)的發(fā)明者，而且是早在1997年發(fā)明的，可謂是神經(jīng)網(wǎng)絡(luò)領(lǐng)域元老級的學(xué)者。通常認(rèn)為神經(jīng)網(wǎng)絡(luò)的深度對其性能非常重要，但是網(wǎng)絡(luò)越深其訓(xùn)練難度越大，Highway?Network的目標(biāo)就是解決極深的神經(jīng)網(wǎng)絡(luò)難以訓(xùn)練的問題。Highway?Network相當(dāng)于修改了每一層的激活函數(shù)，此前的激活函數(shù)只是對輸入做一個非線性變換，Highway?NetWork則允許保留一定比例的原始輸入x，即，其中T為變換系數(shù)，C為保留系數(shù)，論文中令。這樣前面一層的信息，有一定比例可以不經(jīng)過矩陣乘法和非線性變換，直接傳輸?shù)较乱粚樱路鹨粭l信息高速公路，因此得名Highway?Network。

Highway?Network主要通過gating?units學(xué)習(xí)如何控制網(wǎng)絡(luò)中的信息流，即學(xué)習(xí)原始信息應(yīng)保留的比例。這個可學(xué)習(xí)的gating機(jī)制，正是借鑒自Schmidhuber教授早年的LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)中的gating。幾百乃至上千層深的Highway?Network可以直接使用梯度下降算法訓(xùn)練，并可以配合多種非線性激活函數(shù)，學(xué)習(xí)極深的神經(jīng)網(wǎng)絡(luò)現(xiàn)在變得可行了。事實(shí)上，Highway?Network的設(shè)計(jì)在理論上允許其訓(xùn)練任意深的網(wǎng)絡(luò)，其優(yōu)化方法基本上與網(wǎng)絡(luò)的深度獨(dú)立，而傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)則對深度非常敏感，訓(xùn)練復(fù)雜度隨深度增加而急劇增加。

ResNet和HighWay?Network非常類似，也是允許原始輸入信息直接傳輸?shù)胶竺娴膶又小esNet最初的靈感出自這個問題：在不斷加神經(jīng)網(wǎng)絡(luò)的深度時，會出現(xiàn)一個Degradation的問題，即準(zhǔn)確率會先上升然后達(dá)到飽和，再持續(xù)增加深度則會導(dǎo)致準(zhǔn)確率下降。這并不是過擬合的問題，因?yàn)椴还庠跍y試集上誤差增大，訓(xùn)練集本身誤差也會增大。假設(shè)有一個比較淺的網(wǎng)絡(luò)達(dá)到了飽和的準(zhǔn)確率，那么后面再加上幾個的全等映射層，起碼誤差不會增加，即更深的網(wǎng)絡(luò)不應(yīng)該帶來訓(xùn)練集上誤差上升。而這里提到的使用全等映射直接將前一層輸出傳到后面的思想，就是ResNet的靈感來源。

假定某段神經(jīng)網(wǎng)絡(luò)的輸入是x，期望輸出是，如果我們直接把輸入x傳到輸出作為初始結(jié)果，那么此時我們需要學(xué)習(xí)的目標(biāo)就是。如圖14所示，這就是一個ResNet的殘差學(xué)習(xí)單元（Residual?Unit），ResNet相當(dāng)于將學(xué)習(xí)目標(biāo)改變了，不再是學(xué)習(xí)一個完整的輸出，只是輸出和輸入的差別，即殘差。

圖14??ResNet的殘差學(xué)習(xí)模塊

圖15所示為VGGNet-19，以及一個34層深的普通卷積網(wǎng)絡(luò)，和34層深的ResNet網(wǎng)絡(luò)的對比圖。可以看到普通直連的卷積神經(jīng)網(wǎng)絡(luò)和ResNet的最大區(qū)別在于，ResNet有很多旁路的支線將輸入直接連到后面的層，使得后面的層可以直接學(xué)習(xí)殘差，這種結(jié)構(gòu)也被稱為shortcut或skip?connections。

圖15??VGG-19，直連的34層網(wǎng)絡(luò)，ResNet的34層網(wǎng)絡(luò)的結(jié)構(gòu)對比

傳統(tǒng)的卷積層或全連接層在信息傳遞時，或多或少會存在信息丟失、損耗等問題。ResNet在某種程度上解決了這個問題，通過直接將輸入信息繞道傳到輸出，保護(hù)信息的完整性，整個網(wǎng)絡(luò)則只需要學(xué)習(xí)輸入、輸出差別的那一部分，簡化學(xué)習(xí)目標(biāo)和難度。

在ResNet的論文中，除了提出圖14中的兩層殘差學(xué)習(xí)單元，還有三層的殘差學(xué)習(xí)單元。兩層的殘差學(xué)習(xí)單元中包含兩個相同輸出通道數(shù)（因?yàn)闅埐畹扔谀繕?biāo)輸出減去輸入，即，因此輸入、輸出維度需保持一致）的3′3卷積；而3層的殘差網(wǎng)絡(luò)則使用了Network?In?Network和Inception?Net中的1′1卷積，并且是在中間3′3的卷積前后都使用了1′1卷積，有先降維再升維的操作。另外，如果有輸入、輸出維度不同的情況，我們可以對x做一個線性映射變換維度，再連接到后面的層。

圖16??兩層及三層的ResNet殘差學(xué)習(xí)模塊

圖17所示為ResNet在不同層數(shù)時的網(wǎng)絡(luò)配置，其中基礎(chǔ)結(jié)構(gòu)很類似，都是前面提到的兩層和三層的殘差學(xué)習(xí)單元的堆疊。

圖17??ResNet不同層數(shù)時的網(wǎng)絡(luò)配置

在使用了ResNet的結(jié)構(gòu)后，可以發(fā)現(xiàn)層數(shù)不斷加深導(dǎo)致的訓(xùn)練集上誤差增大的現(xiàn)象被消除了，ResNet網(wǎng)絡(luò)的訓(xùn)練誤差會隨著層數(shù)增大而逐漸減小，并且在測試集上的表現(xiàn)也會變好。在ResNet推出后不久，Google就借鑒了ResNet的精髓，提出了Inception?V4和Inception-ResNet-V2，并通過融合這兩個模型，在ILSVRC數(shù)據(jù)集上取得了驚人的3.08%的錯誤率。

可見，ResNet及其思想對卷積神經(jīng)網(wǎng)絡(luò)研究的貢獻(xiàn)確實(shí)非常顯著，具有很強(qiáng)的推廣性。在ResNet的作者的第二篇相關(guān)論文Identity?Mappings?in?Deep?Residual?Networks中，ResNet?V2被提出。ResNet?V2和ResNet?V1的主要區(qū)別在于，作者通過研究ResNet殘差學(xué)習(xí)單元的傳播公式，發(fā)現(xiàn)前饋和反饋信號可以直接傳輸，因此skip?connection的非線性激活函數(shù)（如ReLU）替換為Identity?Mappings（）。同時，ResNet?V2在每一層中都使用了Batch?Normalization。這樣處理之后，新的殘差學(xué)習(xí)單元將比以前更容易訓(xùn)練且泛化性更強(qiáng)。

根據(jù)Schmidhuber教授的觀點(diǎn)，ResNet類似于一個沒有g(shù)ates的LSTM網(wǎng)絡(luò)，即將輸入x傳遞到后面層的過程是一直發(fā)生的，而不是學(xué)習(xí)出來的。同時，最近也有兩篇論文表示，ResNet基本等價(jià)于RNN且ResNet的效果類似于在多層網(wǎng)絡(luò)間的集成方法（ensemble）。ResNet在加深網(wǎng)絡(luò)層數(shù)上做出了重大貢獻(xiàn)，而另一篇論文The?Power?of?Depth?for?Feedforward?Neural?Networks則從理論上證明了加深網(wǎng)絡(luò)比加寬網(wǎng)絡(luò)更有效，算是給ResNet提供了聲援，也是給深度學(xué)習(xí)為什么要深才有效提供了合理解釋。

總結(jié)

以上，我們簡單回顧了卷積神經(jīng)網(wǎng)絡(luò)的歷史，圖18所示大致勾勒出最近幾十年卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展方向。

Perceptron（感知機(jī)）于1957年由Frank?Resenblatt提出，而Perceptron不僅是卷積網(wǎng)絡(luò)，也是神經(jīng)網(wǎng)絡(luò)的始祖。Neocognitron（神經(jīng)認(rèn)知機(jī)）是一種多層級的神經(jīng)網(wǎng)絡(luò)，由日本科學(xué)家Kunihiko?Fukushima于20世紀(jì)80年代提出，具有一定程度的視覺認(rèn)知的功能，并直接啟發(fā)了后來的卷積神經(jīng)網(wǎng)絡(luò)。LeNet-5由CNN之父Yann?LeCun于1997年提出，首次提出了多層級聯(lián)的卷積結(jié)構(gòu)，可對手寫數(shù)字進(jìn)行有效識別。

圖18??卷積神經(jīng)網(wǎng)絡(luò)發(fā)展圖

可以看到前面這三次關(guān)于卷積神經(jīng)網(wǎng)絡(luò)的技術(shù)突破，間隔時間非常長，需要十余年甚至更久才出現(xiàn)一次理論創(chuàng)新。而后于2012年，Hinton的學(xué)生Alex依靠8層深的卷積神經(jīng)網(wǎng)絡(luò)一舉獲得了ILSVRC?2012比賽的冠軍，瞬間點(diǎn)燃了卷積神經(jīng)網(wǎng)絡(luò)研究的熱潮。AlexNet成功應(yīng)用了ReLU激活函數(shù)、Dropout、最大覆蓋池化、LRN層、GPU加速等新技術(shù)，并啟發(fā)了后續(xù)更多的技術(shù)創(chuàng)新，卷積神經(jīng)網(wǎng)絡(luò)的研究從此進(jìn)入快車道。

在AlexNet之后，我們可以將卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展分為兩類，一類是網(wǎng)絡(luò)結(jié)構(gòu)上的改進(jìn)調(diào)整（圖18中的左側(cè)分支），另一類是網(wǎng)絡(luò)深度的增加（圖18中的右側(cè)分支）。

2013年，顏水成教授的Network?in?Network工作首次發(fā)表，優(yōu)化了卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，并推廣了1′1的卷積結(jié)構(gòu)。在改進(jìn)卷積網(wǎng)絡(luò)結(jié)構(gòu)的工作中，后繼者還有2014年的Google?Inception?Net?V1，提出了Inception?Module這個可以反復(fù)堆疊的高效的卷積網(wǎng)絡(luò)結(jié)構(gòu)，并獲得了當(dāng)年ILSVRC比賽的冠軍。2015年初的Inception?V2提出了Batch?Normalization，大大加速了訓(xùn)練過程，并提升了網(wǎng)絡(luò)性能。2015年年末的Inception?V3則繼續(xù)優(yōu)化了網(wǎng)絡(luò)結(jié)構(gòu)，提出了Factorization?in?Small?Convolutions的思想，分解大尺寸卷積為多個小卷積乃至一維卷積。

而另一條分支上，許多研究工作則致力于加深網(wǎng)絡(luò)層數(shù)，2014年，ILSVRC比賽的亞軍VGGNet全程使用3′3的卷積，成功訓(xùn)練了深達(dá)19層的網(wǎng)絡(luò)，當(dāng)年的季軍MSRA-Net也使用了非常深的網(wǎng)絡(luò)。2015年，微軟的ResNet成功訓(xùn)練了152層深的網(wǎng)絡(luò)，一舉拿下了當(dāng)年ILSVRC比賽的冠軍，top-5錯誤率降低至3.46%。其后又更新了ResNet?V2，增加了Batch?Normalization，并去除了激活層而使用Identity?Mapping或Preactivation，進(jìn)一步提升了網(wǎng)絡(luò)性能。此后，Inception?ResNet?V2融合了Inception?Net優(yōu)良的網(wǎng)絡(luò)結(jié)構(gòu)，和ResNet訓(xùn)練極深網(wǎng)絡(luò)的殘差學(xué)習(xí)模塊，集兩個方向之長，取得了更好的分類效果。

我們可以看到，自AlexNet于2012年提出后，深度學(xué)習(xí)領(lǐng)域的研究發(fā)展極其迅速，基本上每年甚至每幾個月都會出現(xiàn)新一代的技術(shù)。新的技術(shù)往往伴隨著新的網(wǎng)絡(luò)結(jié)構(gòu)，更深的網(wǎng)絡(luò)的訓(xùn)練方法等，并在圖像識別等領(lǐng)域不斷創(chuàng)造新的準(zhǔn)確率記錄。至今，ILSVRC比賽和卷積神經(jīng)網(wǎng)絡(luò)的研究依然處于高速發(fā)展期，CNN的技術(shù)日新月異。當(dāng)然其中不可忽視的推動力是，我們擁有了更快的GPU計(jì)算資源用以實(shí)驗(yàn)，以及非常方便的開源工具（比如TensorFlow）可以讓研究人員快速地進(jìn)行探索和嘗試。在以前，研究人員如果沒有像Alex那樣高超的編程實(shí)力能自己實(shí)現(xiàn)cuda-convnet，可能都沒辦法設(shè)計(jì)CNN或者快速地進(jìn)行實(shí)驗(yàn)。現(xiàn)在有了TensorFlow，研究人員和開發(fā)人員都可以簡單而快速地設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)并進(jìn)行研究、測試、部署乃至實(shí)用。

雷鋒網(wǎng)群友問答

問題1：最新版本的TensorFlow 1.0，到底有什么實(shí)質(zhì)性的提升？如何看待加入的動態(tài)圖？

1.0版本的TensorFlow是第一個穩(wěn)定版本，提供了可以長期支持的API。相比于之前的0.12這個版本，主要添加了XLA（JIT編譯優(yōu)化），Java接口，TensorFlow Fold（動態(tài)圖框架），同時在分布式計(jì)算上的性能也有了重大提升，目前訓(xùn)練Inception V3網(wǎng)絡(luò)，在8塊GPU上可獲得7倍多的提速。

Fold主要是學(xué)習(xí)了PyTorch、Chainer、DyNet等框架，使用命令式變成，生成計(jì)算圖同時執(zhí)行計(jì)算，這樣訓(xùn)練某些網(wǎng)絡(luò)，比如RNN、LSTM等更靈活。不過Fold和這些框架略有不同，它屬于使用Dynamic Batching的方式，可以對不同長度、大小、尺寸的 輸入做batch訓(xùn)練，效率比PyTorch、Chainer、DyNet等完全動態(tài)生成計(jì)算圖的方式，效率更高。

問題2：以上談到的幾種網(wǎng)絡(luò)，分別適用于什么類型的任務(wù)？

這幾種網(wǎng)絡(luò)都屬于2維的卷積網(wǎng)絡(luò)，主要任務(wù)可以做圖像分類、定位等，他們功能上應(yīng)該是遞進(jìn)的關(guān)系，越新的網(wǎng)絡(luò)，使用到的技術(shù)越好，性能越高，而Inception-ResNet-V2則是把這幾種網(wǎng)絡(luò)的優(yōu)勢都融為一體。

當(dāng)然，卷積網(wǎng)絡(luò)不止2維，也可以有1維的，可以處理時間序列的信號；也可以有3維的，可以處理3維空間的信息，或者處理視頻信息。卷積網(wǎng)絡(luò)適應(yīng)的場景應(yīng)該是，輸入信號在空間上和時間上存在一定關(guān)聯(lián)性的場景，滿足了這個條件，都可以很好的利用深度卷積神經(jīng)網(wǎng)絡(luò)解決問題。

問題3：看過一些TensorFlow寫的程序，總覺不是特別清晰簡潔。Keras就是清楚的多，但Keras是否可以完全覆蓋TensorFlow的功能呢？

Keras目前已經(jīng)準(zhǔn)備正式進(jìn)入TensorFlow代碼庫了，以后可以使用Keras創(chuàng)建TensorFlow網(wǎng)絡(luò)，但是功能肯定是不能完全覆蓋的。比如，多GPU、分布式訓(xùn)練，或者生成各種中間訓(xùn)練結(jié)果給TensorBoard展示，或者是一些復(fù)雜的多分支的、條件控制的網(wǎng)絡(luò)等，這些用keras都實(shí)現(xiàn)不了。但是Keras可以用來實(shí)現(xiàn)一些邏輯簡單，結(jié)構(gòu)不復(fù)雜的網(wǎng)絡(luò)。

問題4：深度學(xué)習(xí)相關(guān)的開源社區(qū)，如何能夠?qū)ζ渥龀鯟ontribution，是需要算法或網(wǎng)絡(luò)結(jié)構(gòu)上的創(chuàng)新嗎？

這個一般不用，算法或網(wǎng)絡(luò)結(jié)構(gòu)的創(chuàng)新，一般是發(fā)Paper。協(xié)助開發(fā)一些框架就簡單的多，一開始可能是修復(fù)Bug，而后是完成一些TensorFlow開發(fā)團(tuán)隊(duì)任務(wù)可以交給社區(qū)完成的相對簡單的功能。到后面，隨著對框架和代碼的熟悉，可以逐漸參與一些有趣的新功能的開發(fā)，當(dāng)然也可以把最新出的一些論文中的網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)在TensorFlow中，提供接口，不過這個要求就比較高了，甚至需要有開發(fā)CUDA程序的能力。

附中獎名單

本期公開課中獎名單：小噠、云杉、Devin-2、Baymax大大白。

恭喜以上四位讀者，每人獲得一本《TensorFlow實(shí)戰(zhàn)》書籍。請大家后臺回復(fù)一下姓名、地址和聯(lián)系方式，不久就將收到來自雷鋒網(wǎng)的禮物了。

更多雷鋒網(wǎng)文章：

深度學(xué)習(xí)框架太抽象？其實(shí)不外乎這五大核心組件

Caffe作者賈揚(yáng)清，教你如何打造優(yōu)秀的深度學(xué)習(xí)架構(gòu)

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。